[논문 리뷰] HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection

Mohanad Sarhan, Wai Weng Lo외 2명|arXiv (Cornell University)|2022. 04. 08.

Privacy-Preserving Technologies in Data인용 수 7

한 줄 요약

이 논문은 인트라usion 탐지에 대해 보안성과 프라이버시를 유지하는 IoT 기관 간 협업을 가능하게 하는 계층적 블록체인 기반 연합학습 프레임워크인 HBFL을 제안한다. 허가된 블록체인과 스마트 계약을 통합하여 모델 업데이트를 검증함으로써, HBFL은 다양한 공격 유형에서 평균 탐지 정확도 99.71%를 달성하여 비협업적 연합학습 접근 방식보다 뚜렷이 뛰어나다.

ABSTRACT

The continuous strengthening of the security posture of IoT ecosystems is vital due to the increasing number of interconnected devices and the volume of sensitive data shared. The utilisation of Machine Learning (ML) capabilities in the defence against IoT cyber attacks has many potential benefits. However, the currently proposed frameworks do not consider data privacy, secure architectures, and/or scalable deployments of IoT ecosystems. In this paper, we propose a hierarchical blockchain-based federated learning framework to enable secure and privacy-preserved collaborative IoT intrusion detection. We highlight and demonstrate the importance of sharing cyber threat intelligence among inter-organisational IoT networks to improve the model's detection capabilities. The proposed ML-based intrusion detection framework follows a hierarchical federated learning architecture to ensure the privacy of the learning process and organisational data. The transactions (model updates) and processes will run on a secure immutable ledger, and the conformance of executed tasks will be verified by the smart contract. We have tested our solution and demonstrated its feasibility by implementing it and evaluating the intrusion detection performance using a key IoT data set. The outcome is a securely designed ML-based intrusion detection system capable of detecting a wide range of malicious activities while preserving data privacy.

연구 동기 및 목표

• 기반 학습 기반 IoT 침입 탐지 시스템에서의 보안성과 프라이버시를 유지하는 협업의 부족을 해결하기 위해.
• 원시 학습 데이터를暴露하지 않고도 기관 간 사이버 위협 지능(Cyber Threat Intelligence, CTI)을 공유할 수 있도록 하기 위해.
• 협업적 모델 훈련을 통해 예측할 수 없는 공격 유형, 특히 탐색 및 도용 공격에 대한 탐지 정확도를 향상시키기 위해.
• 블록체인과 스마트 계약을 통합하여 연합학습에서 모델 업데이트의 신뢰성, 불변성, 검증 가능성을 보장하기 위해.
• 클라우드-안개-엣지 아키텍처를 활용해 실용적인 IoT 생태계에 적합한 확장성 있고 보안적인 아키텍처를 설계하기 위해.

제안 방법

• HBFL은 엣지, 안개, 클라우드 계층을 포함한 계층적 연합학습(Hierarchical Federated Learning, HFL) 아키텍처를 사용하여 분산 모델 훈련을 수행한다.
• 로컬 모델은 기관별 데이터를 사용해 IoT 기기에서 훈련되며, 데이터 프라이버시를 유지한다.
• 모델 업데이트(기울기)는 안개 수준의 조합기에서 집계된 후, 글로벌 모델 집계를 위해 클라우드 수준의 감소기로 전송된다.
• 허가된 블록체인은 모든 모델 업데이트 거래를 저장하여 학습 과정의 불변성과 감사 가능성을 보장한다.
• 스마트 계약은 글로벌 모델에 포함되기 전에 모델 업데이트가 사전 정의된 기준을 충족하는지 검증한다.
• 프레임워크는 연합학습 기반 모델 업데이트를 통해 기관 간 안전한 위협 지능 공유를 가능하게 하여 상호 기관 간 협업을 지원한다.

(b) Centralised

실험 결과

연구 질문

• RQ1 블록체인 통합이 포함된 계층적 연합학습 프레임워크가 예측할 수 없는 IoT 공격 유형에 대한 탐지 정확도를 효과적으로 향상시킬 수 있는가?
• RQ2 분산된 IoT 환경에서 기반 학습 기반 IDS의 탐지 성능에 대해 협업적 위협 지능 공유가 어느 정도 향상시키는가?
• RQ3 스마트 계약과 블록체인의 통합이 IoT 침입 탐지에 대한 연합학습에서 신뢰성과 검증 가능성을 어떻게 향상시키는가?
• RQ4 제안된 HBFL 프레임워크는 데이터 프라이버시를 유지하고 기관 간 안전한 협업을 보장하면서도 높은 탐지 정확도를 유지하는가?
• RQ5 엣지, 안개, 클라우드 계층의 아키텍처 레이어가 협업적 IoT 침입 탐지의 확장성과 성능에 어떤 영향을 미치는가?

주요 결과

• HBFL은 모든 공격 유형에서 평균 탐지 정확도 99.71%를 달성하였으며, 비협업적 시나리오(60.53% 및 71.1%)보다 뚜렷이 뛰어나다.
• DDoS 탐지의 F1 스코어는 99.12%에 달했고, DoS의 경우 99.93%로 거의 완벽한 탐지 성능을 보였다.
• 이전에 비협업 환경에서 잘 탐지되지 않았던 탐색 공격의 F1 스코어는 8轮 훈련 후 HBFL에서 94.80%로 향상되었다.
• HBFL에서 오발동작 비율(FAR)은 탐색 공격의 경우 0.05%로 감소하였고, 모든 공격 유형에서 0.12% 이하로 유지되어 높은 정밀도를 보였다.
• HBFL은 8라운드 이후 탐지 성능이 안정화되었으며, 다양한 공격 유형에서 정확도 저하가 최소한이었다.
• 블록체인과 스마트 계약의 통합은 모델 정확도에 영향을 주지 않았고, 검증 가능하고 안전하며 불변인 모델 업데이트를 보장하였다.

(c) Federated