چارچوب یادگیری فدرال سبک برای تشخیص نفوذ در اینترنت اشیا با استفاده از انتخاب مبتنی بر ضریب همبستگی متیو و هرس وزنی

چارچوب یادگیری فدرال سبک برای تشخیص نفوذ در اینترنت اشیا با استفاده از انتخاب مبتنی بر ضریب همبستگی متیو و هرس وزنی

محمدرضا حسین نژاد قاضی محله1 دکتر علی بزرگمهر2

1) دانشجوی ارشد دانشگاه جامع انقلاب اسلامی
2) استادیار دانشگاه جامع انقلاب اسلامی

کد IOI مقاله : AAHD-ABKGAG
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    سیستم‌های تشخیص نفوذ برای تأمین امنیت شبکه‌های اینترنت اشیا حیاتی هستند. یادگیری فدرال به عنوان رویکردی غیرمتمرکز و حریم خصوصی محور، امکان آموزش مدل‌های تشخیص نفوذ را بدون اشتراک‌گذاری داده‌های خام فراهم می‌کند. بااین‌وجود، روش‌های تجمع رایج مانند FedAvg در مواجهه با توزیع داده‌های غیریکسان کارایی خود را از دست می‌دهند. ازسوی‌دیگر، محدودیت منابع در دستگاه‌های اینترنت اشیا، پیاده‌سازی مدل‌های عمیق را با چالش مواجه می‌سازد. در این مقاله، یک چارچوب یادگیری فدرال سبک ارائه می‌شود که دو بهبود عملی را یکپارچه می‌سازد: (۱) انتخاب پویای کلاینت‌ها بر اساس ضریب همبستگی متیو و ترکیب وزنی آنها با روش Softmax ، و (۲) هرس وزنی با نرخ ۲۰ درصد به‌منظور کاهش حجم مدل و سربار ارتباطی. مدل محلی یک شبکه عصبی کانولوشنال یک‌بعدی با معماری فشرده است. ارزیابی بر روی مجموعه‌داده‌های شناخته شده N-BaIoT نشان می‌دهد که روش پیشنهادی به‌دقت ۹۹٫۹۹٪، امتیاز F1 برابر ۹۹٫۹۹٪ و ضریب همبستگی متیو برابر ۹۹٫۹۸٪ بر روی مجموعه‌آزمون دست می‌یابد که از روش‌های FedAvg، FedProx، FedAdam، FedAvgM و Pow-d بهتر عمل می‌کند. هرس وزنی نیز حدود ۲۰٪ کاهش مصرف حافظه را با افت ناچیز دقت به همراه دارد. این چارچوب راهکاری ساده، کارآمد و قابل‌استقرار بر روی دستگاه‌های لبه با منابع محدود ارائه می‌دهد.

کلمات کلیدی : یادگیری فدرال سیستم تشخیص نفوذ اینترنت اشیا ضریب همبستگی متیو هرس وزنی شبکه عصبی کانولوشنال داده‌های غیریکسان