[论文解读] Consensus based Detection in the Presence of Data Falsification Attacks

Bhavya Kailkhura, Swastik Brahma+1 more|arXiv (Cornell University)|Apr 14, 2015

Distributed Sensor Networks and Detection Algorithms参考文献 31被引用 26

一句话总结

本文提出了一种鲁棒的、基于学习的分布式加权平均一致性算法，以减轻去中心化检测网络中数据伪造（拜占庭）攻击的影响。通过迭代学习估计节点特定参数，并基于统计模型自适应调整本地融合权重，该方法在仅四轮学习迭代内即可实现接近最优的检测性能，即使多达33%的节点为攻击者。

ABSTRACT

This paper considers the problem of detection in distributed networks in the presence of data falsification (Byzantine) attacks. Detection approaches considered in the paper are based on fully distributed consensus algorithms, where all of the nodes exchange information only with their neighbors in the absence of a fusion center. In such networks, we characterize the negative effect of Byzantines on the steady-state and transient detection performance of the conventional consensus based detection algorithms. To address this issue, we study the problem from the network designer's perspective. More specifically, we first propose a distributed weighted average consensus algorithm that is robust to Byzantine attacks. We show that, under reasonable assumptions, the global test statistic for detection can be computed locally at each node using our proposed consensus algorithm. We exploit the statistical distribution of the nodes' data to devise techniques for mitigating the influence of data falsifying Byzantines on the distributed detection system. Since some parameters of the statistical distribution of the nodes' data might not be known a priori, we propose learning based techniques to enable an adaptive design of the local fusion or update rules.

研究动机与目标

• 解决传统基于一致性检测在去中心化网络中对数据伪造（拜占庭）攻击的脆弱性问题。
• 设计一种完全分布式的自适应融合规则，以减轻拜占庭影响，且无需依赖排除机制或固定阈值。
• 即使在部分节点被攻破的情况下，也能通过鲁棒加权一致性实现全局检验统计量的本地计算。
• 开发一种基于学习的技术，用于估计节点数据分布的未知统计参数，以实现自适应权重调整。
• 证明所提方法可在少数学习迭代内逼近已知参数下的最优加权融合性能。

提出的方法

• 提出一种分布式加权平均一致性算法，根据节点的统计行为为其分配自适应权重，从而降低拜占庭节点的影响。
• 利用学习迭代从假设 I₀ 和 I₁ 下的观测数据中估计每个节点的混合模型参数（权重、均值、方差）。
• 应用最大似然分类方法，利用学习阶段估计的参数识别诚实节点与拜占庭节点。
• 基于估计参数推导诚实节点与拜占庭节点的最优融合权重，其闭式表达式见公式 (20) 和 (21)。
• 通过类似期望最大化（EM）的步骤进行迭代参数更新，公式 (14) 至 (18) 分别用于更新分量权重、均值与方差。
• 将学习得到的权重集成到一致性更新规则中，以确保收敛至对数据伪造具有鲁棒性的全局检验统计量。

实验结果

研究问题

• RQ1 数据伪造攻击如何降低传统基于一致性的检测在去中心化网络中的性能？
• RQ2 能否设计一种完全分布式、自适应的一致性算法，以减轻拜占庭节点的影响，而无需将其排除？
• RQ3 何种基于学习的技术可使节点实现自身统计参数的估计，并实时自适应调整融合权重？
• RQ4 所提基于学习的方案多快能收敛至近似最优的检测性能？
• RQ5 网络拓扑结构与攻击参数对所提方法鲁棒性与收敛性有何影响？

主要发现

• 所提基于学习的加权一致性方案在四轮迭代内即可实现接近已知参数下最优加权融合方案的检测性能。
• 即使拜占庭节点占网络总数的33%，该方法仍能有效减轻其影响，优于基于阈值的排除方法。
• 四轮学习迭代后，所提方案的ROC曲线收敛至最优方案的ROC曲线，表明其具备快速适应与高精度特性。
• 通过统计建模与参数估计实现自适应权重分配，显著提升了在攻击下的检测可靠性。
• 所提方法在存在敌意数据伪造的情况下仍保持鲁棒性，即使攻击参数（如 Pᵢ=0.5, Δᵢ=9）非平凡亦成立。
• 该方法仅依赖邻居节点信息即可实现全局检验统计量的本地计算，满足完全分布式设计约束。