Iot Cihaz Güvenliği için Federe Öğrenmenin Kullanimi

Abstract

IoT cihazlarının kritik sistemlerde yaygınlaşması, sağlam siber güvenlik mekanizmalarına olan ihtiyacı artırdı. Bu çalışma, ağ saldırı tespiti için bir Federe Öğrenme (FL) çerçevesinin uygulanmasını araştırmakta ve model eğitimini birden çok düğümde ademi merkeziyetçi hale getirerek gizlilik endişelerini ele almaktadır. Bot-IoT, TON_IoT, UNSW-NB15 ve CICIDS2017 gibi veri kümelerini kullanarak, fl'nin DoS, DDoS, Ortadaki Adam ve kaba kuvvet saldırıları dahil olmak üzere çeşitli saldırı türlerini tespit etmedeki etkinliğini değerlendiriyoruz. Kapsamlı deneyler, diğer veri kümelerinde rekabetçi sonuçları korurken, Bot-IoT veri kümesinde% 98,2 doğruluk ve% 97,8 hassasiyet elde ederek yüksek model performansı göstermektedir. Karşılaştırmalı değerlendirmeler, FL yaklaşımının geleneksel merkezi öğrenme modellerine karşı etkinliğini vurgulamaktadır. Kayıp ve doğruluk eğrileri, eğitim sürecinin istikrarını yansıtır ve karışıklık matrisi analizleri, yanlış sınıflandırma kalıpları hakkında fikir verir. Bu çalışma, IoT ortamlarını gelişen tehditlere karşı güvence altına almak için ölçeklenebilir ve gizliliği koruyan bir çözüm olarak fl'nin potansiyelinin altını çiziyor.

The proliferation of IoT devices in critical systems has increased the need for robust cybersecurity mechanisms. This study investigates the implementation of a Federated Learning (FL) framework for network intrusion detection, addressing privacy concerns by decentralizing model training across multiple nodes. Utilizing datasets such as Bot-IoT, TON_IoT, UNSW-NB15, and CICIDS2017, we assess the effectiveness of FL in detecting various attack types, including DoS, DDoS, Man-in-the-Middle, and brute force attacks. Extensive experiments demonstrate high model performance, achieving 98.2% accuracy and 97.8% precision on the Bot-IoT dataset, while maintaining competitive results across other datasets. Comparative evaluations highlight the efficacy of the FL approach against traditional centralized learning models. Loss and accuracy curves reflect the stability of the training process, and confusion matrix analyses provide insights into misclassification patterns. This work underscores the potential of FL as a scalable and privacy-preserving solution for securing IoT environments against evolving threats.