[论文解读] HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection

Mohanad Sarhan, Wai Weng Lo+2 more|arXiv (Cornell University)|Apr 8, 2022

Privacy-Preserving Technologies in Data被引用 7

一句话总结

本文提出HBFL，一种基于分层区块链的联邦学习框架，可实现物联网组织间安全、隐私保护的协作入侵检测。通过集成许可区块链和智能合约来验证模型更新，HBFL在各类攻击类型上实现了99.71%的平均检测准确率，显著优于非协作联邦学习方法。

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.

研究动机与目标

• 解决基于机器学习的物联网入侵检测系统中缺乏安全、隐私保护协作的问题。
• 在不暴露原始训练数据的前提下，实现跨组织的网络威胁情报（CTI）共享。
• 通过协作式模型训练，提升对未见攻击类别（尤其是侦察与窃取类攻击）的检测准确率。
• 集成区块链与智能合约，确保联邦学习中模型更新的可信性、不可篡改性与可验证性。
• 设计一种可扩展、安全的架构，采用云-雾-边拓扑，实现物联网生态系统中的实际部署。

提出的方法

• HBFL采用分层联邦学习（HFL）架构，包含边缘、雾和云三层，实现分布式模型训练。
• 本地模型在物联网设备上使用组织特定的数据进行训练，保护数据隐私。
• 模型更新（梯度）在雾层聚合器处聚合，随后发送至云层还原器进行全局模型聚合。
• 许可区块链存储所有模型更新交易，确保学习过程的不可篡改性与可审计性。
• 智能合约在将模型更新纳入全局模型前，验证其是否符合预设标准。
• 该框架通过联邦模型更新实现跨组织的安全威胁情报共享，支持组织间协作。

(b) Centralised

实验结果

研究问题

• RQ1 结合区块链的分层联邦学习框架是否能有效提升对未见物联网攻击类别的检测准确率？
• RQ2 在去中心化的物联网环境中，协作式威胁情报共享在多大程度上提升了基于机器学习的入侵检测系统性能？
• RQ3 智能合约与区块链的集成如何提升物联网入侵检测中联邦学习的可信度与可验证性？
• RQ4 所提出的HBFL框架是否在保护数据隐私并确保组织间安全协作的同时，保持高检测准确率？
• RQ5 边缘、雾、云等架构层级对协作式物联网入侵检测的可扩展性与性能有何影响？

主要发现

• HBFL在所有攻击类别上实现了99.71%的平均检测准确率，显著优于非协作场景（分别为60.53%和71.1%）。
• DDoS检测的F1分数达到99.12%，DoS检测的F1分数达到99.93%，表明检测性能近乎完美。
• 在非协作设置中，侦察类攻击的F1分数仅为58.85%，而在HBFL中，经过八轮训练后提升至94.80%。
• HBFL中侦察类攻击的误报率（FAR）降低至0.05%，所有攻击类型的误报率均低于0.12%，表现出极高的精确度。
• HBFL在八轮训练后检测性能趋于稳定，各类攻击下准确率均保持稳定，无明显下降。
• 区块链与智能合约的集成未影响模型准确率，同时确保了模型更新的可验证性、安全性与不可篡改性。

(c) Federated