التفاصيل البيبلوغرافية
| العنوان: |
Federated Transfer Learning-based Intrusion Detection System in 5G networks |
| المؤلفون: |
Bellmunt Fuentes, Andrea |
| المساهمون: |
Universitat Politècnica de Catalunya. Departament d'Arquitectura de Computadors, Rodríguez Luna, Eva, Otero Calviño, Beatriz |
| بيانات النشر: |
Universitat Politècnica de Catalunya |
| سنة النشر: |
2024 |
| المجموعة: |
Universitat Politècnica de Catalunya, BarcelonaTech: UPCommons - Global access to UPC knowledge |
| مصطلحات موضوعية: |
Àrees temàtiques de la UPC::Informàtica::Arquitectura de computadors, Intrusion detection systems (Computer security), Neural networks (Computer science), Internet of things, Sistema de Detecció d'Intrusions, detecció d'atacs, classificació d'atacs, Aprenentatge Federat, Aprenentatge per Transferència Federat, Xarxa Neuronal Convolucional, xarxes 5G, Internet de les Coses, conjunt de dades UNSW-NB15, conjunt de dades Bot-IoT, compartició de pesos, funcions d'agregació robustes, mediana geomètrica, Intrusion Detection System, Attack detection, Attack classification, Federated Learning, Federated Transfer Learning, Convolutional Neural Network, 5G networks, UNSW-NB15 Dataset, Bot-IoT Dataset, weight sharing, robust aggregation functions, geometric median, Sistemes de detecció d'intrusos (Seguretat informàtica) |
| الوصف: |
El desenvolupament de Sistemes de Detecció d'Intrusions per a xarxes IoT i 5G evoluciona dinàmicament. Aquest estudi explora la implementació d'Aprenentatge Federat (FL) per entrenar models de detecció i classificació sense necessitat de compartir dades entre tots els dispositius, abordant així el repte de protegir la privadesa. Les proves es fan amb l'ús del conjunt de dades UNSW-NB15. En comparar el rendiment de diferents particions del conjunt de dades a la tasca de detecció, s'obtenen resultats de fins a 0.992 d'exactitud en models globals amb nodes balancejats i fins a 0.967 d'exactitud amb nodes no balancejats. A més, s'observa que, a través de l'agregació de models locals, els nodes poden aprendre els uns dels altres. Tot i això, la detecció d'atacs desconeguts continua sent un desafiament complex. Per millorar la capacitat de detecció d'aquests atacs, s'implementa l'Aprenentatge per Transferència Federat (FTL). Utilitzant particions del conjunt de dades Bot-IoT com a domini d'origen i del conjunt de dades UNSW-NB15 com a domini de destinació, els experiments mostren que amb nodes amb menors proporcions de trànsit maligne es pot aconseguir fins a un 62.614% de millora, passant d'un 19.090% a un 81.704%, a la detecció d'atacs desconeguts, comparat amb models FL tradicionals. Els resultats demostren que l'FTL no només millora la detecció d'atacs desconeguts, sinó que també ofereix bons resultats a la detecció general d'atacs i trànsit benigne. En aquest cas, l'exactitud mínima corresponent al node menys balancejat arriba a 0.912, en comparació d'un 0.741 amb FL. A banda, l'estudi compara funcions d'agregació populars a FL i tria la que proporciona millors resultats per a la resta de les proves. Pel que fa a la tasca de classificació, es presenta un model eficaç basat a identificar categories d'atacs coneguts amb FL, aconseguint un 0.959 d'exactitud amb particions balancejades d'UNSW-NB15. Aquestes conclusions subratllen el potencial de FL per entrenar models eficaços a partir de nodes distribuïts, ... |
| نوع الوثيقة: |
bachelor thesis |
| وصف الملف: |
application/pdf |
| اللغة: |
English |
| Relation: |
http://hdl.handle.net/2117/416079; 188772 |
| الاتاحة: |
http://hdl.handle.net/2117/416079 |
| Rights: |
Open Access |
| رقم الانضمام: |
edsbas.E74599F9 |
| قاعدة البيانات: |
BASE |