[논문 리뷰] Federated Learning for Intrusion Detection System: Concepts, Challenges and Future Directions

Shaashwat Agrawal, Sagnik Sarkar외 6명|arXiv (Cornell University)|2021. 06. 16.

Privacy-Preserving Technologies in Data인용 수 5

한 줄 요약

이 논문은 침입 탐지 시스템(IDS)을 위한 기밀 보장 솔루션으로 피어드 페더레이티드 러닝(FL)을 제안하며, 원시 데이터를 공유하지 않고도 엣지 디바이스 간에 분산된 학습을 가능하게 한다. FL의 이상 탐지 응용을 검토하고, 데이터 이질성, 오염 공격, 자원 제약 등의 주요 과제를 밝혀내며, 계층적 클러스터링, 블록체인 통합, 경량 모델 등을 통해 FL 기반 IDS의 보안성, 정확도 및 효율성을 향상시키는 해결책을 제안한다.

ABSTRACT

The rapid development of the Internet and smart devices trigger surge in network traffic making its infrastructure more complex and heterogeneous. The predominated usage of mobile phones, wearable devices and autonomous vehicles are examples of distributed networks which generate huge amount of data each and every day. The computational power of these devices have also seen steady progression which has created the need to transmit information, store data locally and drive network computations towards edge devices. Intrusion detection systems play a significant role in ensuring security and privacy of such devices. Machine Learning and Deep Learning with Intrusion Detection Systems have gained great momentum due to their achievement of high classification accuracy. However the privacy and security aspects potentially gets jeopardised due to the need of storing and communicating data to centralized server. On the contrary, federated learning (FL) fits in appropriately as a privacy-preserving decentralized learning technique that does not transfer data but trains models locally and transfers the parameters to the centralized server. The present paper aims to present an extensive and exhaustive review on the use of FL in intrusion detection system. In order to establish the need for FL, various types of IDS, relevant ML approaches and its associated issues are discussed. The paper presents detailed overview of the implementation of FL in various aspects of anomaly detection. The allied challenges of FL implementations are also identified which provides idea on the scope of future direction of research. The paper finally presents the plausible solutions associated with the identified challenges in FL based intrusion detection system implementation acting as a baseline for prospective research.

연구 동기 및 목표

• 증가하는 데이터 볼륨과 기기의 보급에 따라 분산형 이질적 네트워크에서 안전하고 기밀 보장된 침입 탐지의 증가하는 수요를 충족시키기 위해.
• 중앙집중식 기계 학습의 기밀 및 보안 한계를 극복하기 위해 원시 데이터를 전송하지 않고도 모델을 훈련시킬 수 있도록 페더레이티드 러닝을 활용하여.
• 데이터 비IIDs 분포, 모델 오염, 오진 경고, IoT 기기의 자원 제약 등 FL을 IDS에 구현할 때 발생하는 주요 과제를 식별하고 분석하기 위해.
• 안정성과 확장성을 향상시키기 위해 블록체인을 통한 안전한 집계, 신뢰를 위한 디지털 트윈, 경량 모델 등을 통해 실용적인 해결책을 제안하기 위해.
• 미해결 과제와 잠재적 연구 방향을 제시하여 향후 연구의 기초를 마련하기 위해.

제안 방법

• 클라이언트(엣지 디바이스)가 개인 데이터를 기반으로 국소 모델을 훈련하고, 원시 데이터를 공유하지 않고도 중앙 서버에 모델 파라미터(가중치)만 전송하는 페더레이티드 러닝 프레임워크를 구현한다.
• 여러 라운드에 걸쳐 국소 모델 업데이트와 글로벌 모델 집약을 통해 원시 데이터 공유 없이도 중앙 집중식 탐지 모델을 점진적으로 향상시킨다.
• 유사한 클라이언트 모델 업데이트를 군집화하여 비IIDs 데이터의 영향을 줄이고 수렴성 및 모델 동질성을 향상시킨다.
• 블록체인 기술을 통합하여 모델 업데이트를 로깅하고 검증함으로써, 오염 공격에 저항할 수 있는 안전하고 투명하며 변조 방지 가능한 집약을 가능하게 한다.
• 디지털 트윈 기술을 활용해 모델 업데이트를 시뮬레이션하고 검증함으로써 집약 과정에서 정당하고 의도된 업데이트만 수락하도록 보장한다.
• 저전력 IoT 기기에서 자원 사용을 최적화하기 위해 경량 딥 러닝 모델과 효율적인 자원 할당 기법을 적용하여 엣지 기반 FL 훈련을 지원한다.

Figure 1: General Federated Learning Architecture.

실험 결과

연구 질문

• RQ1 어떻게 페더레이티드 러닝을 효과적으로 활용하여 분산형 이질적 네트워크에서 기밀 보장형 침입 탐지 시스템을 구축할 수 있는가?
• RQ2 FL 기반 IDS를 구현할 때 주로 발생하는 과제, 특히 데이터 비IIDs 분포, 모델 오염, 오진 경고에 대해 무엇이 있는가?
• RQ3 저전력 IoT 기기의 자원 제약은 페더럴 침입 탐지의 실현 가능성과 성능에 어떤 영향을 미치는가?
• RQ4 데이터 오염 및 백도어 주입과 같은 악성 공격에 대응하기 위해 FL 기반 IDS의 보안성과 신뢰성을 향상시킬 수 있는 메커니즘은 무엇인가?
• RQ5 수렴성 향상, 오진 경고 감소, 실세계 IDS 환경에서의 효율적 구현을 보장하기 위해 어떤 최적화 및 아키텍처 전략을 적용할 수 있는가?

주요 결과

• 페더레이티드 러닝은 민감한 데이터를 이전하지 않으면서도 높은 정확도의 침입 탐지가 가능하게 하여 중앙집중식 학습 방식보다 기밀성과 보안성을 크게 향상시킨다.
• 클라이언트 간의 비IIDs 데이터 분포는 높은 모델 변동성과 수렴 문제를 야기하며, 이는 IDS에서 오진 경고율 증가로 이어진다.
• 데이터 오염 공격는 모델 업데이트를 조작하여 백도어를 삽입하거나 성능을 떨어뜨릴 수 있어 글로벌 모델의 무결성을 위협할 수 있다.
• 블록체인 기반의 모델 업데이트 로깅은 신뢰를 향상시키고 선택적 집약을 가능하게 하여 악성 업데이트의 위험을 줄인다.
• 클라이언트 모델 업데이트의 계층적 클러스터링은 이질적 환경에서 데이터 동질성을 시뮬레이션함으로써 수렴성과 모델 품질을 향상시킨다.
• 저전력 IoT 기기에서 FL 기반 IDS를 구현하기 위해서는 경량 딥 러닝 모델과 효율적인 자원 관리 기법이 필수적이다.

Figure 2: Conceptual map of the paper