[论文解读] FLAD: Adaptive Federated Learning for DDoS Attack Detection

Roberto Doriguzzi-Corin, Domenico Siracusa|arXiv (Cornell University)|May 13, 2022

Network Security and Intrusion Detection被引用 10

一句话总结

FLAD 是一种新颖的自适应联邦学习框架，用于检测 DDoS 攻击，通过利用客户端的本地验证准确率，在不共享测试数据的情况下实现收敛监控。它动态地为学习难度较高的攻击特征配置更多训练轮次，相较于最先进的联邦学习方法，在非独立同分布且数据不平衡的 DDoS 数据集上实现了更快的收敛速度和更高的准确率。

ABSTRACT

Federated Learning (FL) has been recently receiving increasing consideration from the cybersecurity community as a way to collaboratively train deep learning models with distributed profiles of cyber threats, with no disclosure of training data. Nevertheless, the adoption of FL in cybersecurity is still in its infancy, and a range of practical aspects have not been properly addressed yet. Indeed, the Federated Averaging algorithm at the core of the FL concept requires the availability of test data to control the FL process. Although this might be feasible in some domains, test network traffic of newly discovered attacks cannot be always shared without disclosing sensitive information. In this paper, we address the convergence of the FL process in dynamic cybersecurity scenarios, where the trained model must be frequently updated with new recent attack profiles to empower all members of the federation with the latest detection features. To this aim, we propose FLAD (adaptive Federated Learning Approach to DDoS attack detection), an FL solution for cybersecurity applications based on an adaptive mechanism that orchestrates the FL process by dynamically assigning more computation to those members whose attacks profiles are harder to learn, without the need of sharing any test data to monitor the performance of the trained model. Using a recent dataset of DDoS attacks, we demonstrate that FLAD outperforms state-of-the-art FL algorithms in terms of convergence time and accuracy across a range of unbalanced datasets of heterogeneous DDoS attacks. We also show the robustness of our approach in a realistic scenario, where we retrain the deep learning model multiple times to introduce the profiles of new attacks on a pre-trained model.

研究动机与目标

• 解决在联邦学习用于网络安全时，无需共享测试数据即可监控模型收敛的挑战。
• 在新 DDoS 攻击特征频繁出现的动态环境中，实现高效且自适应的训练。
• 在网络安全入侵检测中常见的非独立同分布且数据不平衡的数据集上，缩短收敛时间并提高检测准确率。
• 支持在客户端联邦网络中对入侵检测系统进行新攻击特征的实时更新。
• 提供一种可扩展的、保护隐私的协作式 DDoS 检测解决方案，同时不暴露敏感的网络流量数据。

提出的方法

• FLAD 在客户端使用本地验证集来估计全局模型准确率，而无需将任何数据传输至服务器。
• 服务器根据客户端本地模型的准确率动态分配更多训练轮次，准确率较低的客户端表示其攻击特征更难学习。
• 该自适应机制基于反馈循环，客户端在每轮训练后报告其验证准确率，从而实现早期停止和负载均衡。
• 该方法通过使用客户端性能指标作为全局模型质量的代理，避免了依赖联邦平均算法对中心化测试集的依赖。
• FLAD 集成了一种基于本地准确率趋势的早期停止策略，减少了不必要的训练迭代。
• 该方法通过确保客户端与服务器之间不交换任何训练或验证数据，从而维护了攻击流量的机密性，保障了数据隐私。

实验结果

研究问题

• RQ1 在新攻击特征不断涌现且无法共享测试数据的动态网络安全环境中，联邦学习如何实现有效收敛？
• RQ2 在联邦入侵检测中，能否在无中心化测试数据访问的情况下监控并优化模型收敛？
• RQ3 基于客户端准确率的训练轮次自适应分配，如何提升收敛速度与检测准确率？
• RQ4 在非独立同分布且数据不平衡的 DDoS 数据集上，FLAD 相较于 FEDAVG 及其他最先进的联邦学习算法表现如何？
• RQ5 FLAD 是否能有效应用于涉及新攻击类型增量学习的实际场景？

主要发现

• 与最先进的联邦学习方法相比，FLAD 在非独立同分布且数据不平衡的 DDoS 数据集上显著缩短了收敛时间。
• 在各类攻击特征下，FLAD 的分类准确率均高于 FEDAVG 及其他基线联邦学习算法。
• 自适应机制成功识别并优先处理学习难度较高的攻击特征客户端，从而提升了整体模型的鲁棒性。
• 即使多次重新训练模型以整合新攻击类型，FLAD 仍能保持高性能，展现出强大的适应能力。
• 该方法在不共享任何敏感数据的前提下实现了有效的早期停止与负载均衡，充分保护了隐私。
• 在服务器无法获取测试数据的场景中，FLAD 表现优于 FEDAVG，证明了其在现实世界隐私约束环境中的可行性。