[论文解读] Blockchained Federated Learning for Threat Defense

Konstantinos Demertzis|arXiv (Cornell University)|Feb 25, 2021

Blockchain Technology Applications and Security参考文献 29被引用 7

一句话总结

本文提出了一种集成区块链的联邦学习框架，用于智能城市网络中的智能威胁防御，通过加密的分布式模型训练实现隐私保护、协作式高级持续性威胁（APTs）检测。该系统利用区块链保护的智能合约验证和审计联邦学习更新，在保持参与者匿名性的同时，实现了对工业物联网（IIoT）流量异常的高精度分类。

ABSTRACT

Given the increasing complexity of threats in smart cities, the changing environment, and the weakness of traditional security systems, which in most cases fail to detect serious threats such as zero-day attacks, the need for alternative more active and more effective security methods keeps increasing. Such approaches are the adoption of intelligent solutions to prevent, detect and deal with threats or anomalies under the conditions and the operating parameters of the infrastructure in question. This research paper introduces the development of an intelligent Threat Defense system, employing Blockchain Federated Learning, which seeks to fully upgrade the way passive intelligent systems operate, aiming at implementing an Advanced Adaptive Cooperative Learning (AACL) mechanism for smart cities networks. The AACL is based on the most advanced methods of computational intelligence while ensuring privacy and anonymity for participants and stakeholders. The proposed framework combines Federated Learning for the distributed and continuously validated learning of the tracing algorithms. Learning is achieved through encrypted smart contracts within the blockchain technology, for unambiguous validation and control of the process. The aim of the proposed Framework is to intelligently classify smart cities networks traffic derived from Industrial IoT (IIoT) by Deep Content Inspection (DCI) methods, in order to identify anomalies that are usually due to Advanced Persistent Threat (APT) attacks.

研究动机与目标

• 解决传统安全系统在动态智能城市环境中检测零日漏洞和高级持续性威胁（APTs）的局限性。
• 开发一种隐私保护的协作学习机制，实现在不共享原始数据的前提下，跨IIoT网络进行分布式威胁检测。
• 将区块链技术与联邦学习相结合，以在去中心化环境中确保模型更新的可信度、可审计性和完整性。
• 通过深度内容检测（DCI）与联邦学习相结合，实现实时、自适应的IIoT流量异常检测。
• 建立一个支持多个利益相关方在智能城市基础设施中持续、安全、协作式模型改进的框架。

提出的方法

• 该框架采用联邦学习（FL）在不交换原始数据的情况下，跨分布式IIoT设备训练机器学习模型，从而保护隐私。
• 利用区块链技术记录并验证模型更新，通过加密智能合约确保学习过程的透明性和不可篡改性。
• 每个客户端在其本地数据上训练本地模型，并仅将模型参数（梯度）发送至中央聚合器，由其使用FedAvg或类似联邦学习聚合技术进行聚合。
• 区块链上的智能合约通过密码哈希和共识机制强制执行模型验证规则，防止恶意更新，并确保可问责性。
• 应用深度内容检测（DCI）分析网络流量模式，检测指示APT或零日攻击的异常行为。
• 通过在联邦学习流程中集成端到端加密和差分隐私技术，确保参与者匿名性和数据机密性。

实验结果

研究问题

• RQ1 如何通过区块链技术增强联邦学习，以在协作威胁检测中确保信任和完整性？
• RQ2 区块链联邦学习框架在保护数据隐私的同时，能在多大程度上提升IIoT环境中APT检测的准确性？
• RQ3 在去中心化环境中，可实施哪些机制以防止模型投毒并确保聚合模型的可靠性？
• RQ4 智能合约的集成如何提升分布式威胁检测系统中的可审计性和可问责性？
• RQ5 所提出的框架是否能够支持对智慧城市网络中不断演变的网络威胁实现实时、自适应的学习？

主要发现

• 该框架在IIoT流量中实现了高精度的异常检测，通过深度内容检测与联邦学习有效识别了APT和零日威胁。
• 使用区块链保护的智能合约确保模型更新经过密码学验证且防篡改，从而增强了系统完整性。
• 通过联邦学习保护了参与者隐私，因为原始数据保留在本地设备上，仅共享模型参数。
• 由于区块链智能合约强制实施的验证和共识机制，该系统对模型投毒攻击表现出强韧性。
• 该框架支持跨分布式节点的持续、自适应学习，使系统能够实时响应新兴威胁而不断演化。
• 智能合约中集成的加密和访问控制机制确保仅有授权实体可参与并验证学习过程。