Can We Have Our Cake and Eat It Too? :Balancing Privacy, Security and Performance in Federated Learning-Based Network Intrusion Detection Systems
Abstract
Diese Masterarbeit untersucht, wie sich Datenschutz, Sicherheit und Erkennungsleistung in föderierten, lernbasierten Network Intrusion Detection Systems (FL-NIDS) ausbalancieren lassen. Dazu wird ein simulationsbasiertes Prototypsystem auf Basis des Flower-Frameworks entwickelt und mit dem UM-NIDS-Datensatz evaluiert. Im Mittelpunkt stehen drei Einflussfaktoren: der Einsatz von Differential Privacy (DP) in DP-FedAvg mit unterschiedlichen Privacy-Budgets, robuste Aggregationsstrategien unter Modellvergiftungsangriffen (FedAvg, Krum, Trimmed Mean) sowie die Wahl der Modellarchitektur (Convolutional Neural Network, CNN, gegenüber einer Kombination aus CNN und bidirektionalem Long Short-Term Memory, CNN+BiLSTM). Die resultierenden Konfigurationen werden mit einer Pareto-basierten, multiobjektiven Analyse im Hinblick auf Erkennungsleistung, Robustheit, Datenschutz und Trainingszeit ausgewertet.Die Experimente zeigen, dass Differential Privacy die Erkennungsleistung (macro-F1) in allen Konfigurationen reduziert, während der Anstieg der Trainingszeit moderat bleibt. Trimmed Mean bietet unter Label-Flipping-Angriffen den besten Kompromiss zwischen Robustheit und Erkennungsleistung; FedAvg erzielt auf sauberen Daten gute Ergebnisse, reagiert jedoch empfindlicher auf Vergiftung, und Krum interagiert nachteilig mit DP-bedingtem Rauschen. Im Vergleich der Modellarchitekturen erweist sich die einfache CNN-Architektur als effizienter und praktikabler als CNN+BiLSTM, das ähnliche F1-Werte…
Read the paper
Related studies
- Active Learning during Federated Learning for Object Detection
- Fairness-aware federated learning
- Decentralized Federated Learning
- Building a Personally Identifiable Information Recognizer in a Privacy Preserved Manner Using Automated Annotation and Federated Learning
- Preservation of Patient Level Privacy: Federated Classification and Calibration Models
- Efficient explainable federated learning
Go deeper in Evidence Hub
Evidence Hub adds a study data sheet (design, sample size, evidence level, key numbers), an AI summary and a chat grounded in the paper's text.