یادگیری فدرالی حافظ حریم خصوصی برای شناسایی تهدیدات پیشرفتۀ مانا در سامانۀ اینترنت پهپادها

اینترنت پهپادها، یک شبکه توزیع شده و غیر متمرکز است که دسترسی پهپادها را به حریم هوایی کنترل شده مرتبط می کند. اتصال پهپادها در این شبکه ها از طریق اینترنت اشیا است. از این رو، این شبکه ها در برابر تمام تهدیدات امنیتی و حریم خصوصی که بر شبکه های اینترنت اشیا اثر می گذارد آسیب پذیر هستند. علاوه بر این، باتوجه به آن که کاربرد این شبکه ها در بسیاری از موارد دارای حساسیت بالایی است، تهدیدات امنیتی بالقوه بیشتری را شامل می شوند. اجزا این شبکه ها با کمک یکدیگر سعی در شناخت تهدیدات پیشرفته و مانا دارند. یکی از روش ها برای شناسایی این تهدیدات، یادگیری ماشین توزیع شده می باشد. در این روش، داده ها برای یک سرور مرکزی ارسال می شود و یادگیری در آن جا انجام می گیرد. ارسال داده ها یا تهدیدات برای سرور مرکزی، حریم خصوصی اجزای شبکه را نقض می نماید. در این صورت، یادگیری فدرالی به شبکه های توزیع شده و غیر متمرکز کمک می کند تا بجای ارسال داده های محلی و سری خود، ماشین یادگیرنده را به صورت محلی آموزش دهند و پارامترهای مدل را با یکدیگر به اشتراک گذارند. از آن جا که پارامترهای مدل های به اشتراک گذاشته نیز ممکن است حاوی اطلاعاتی از تهدیدات زیرشبکه ها باشند، ما در این مقاله یک پروتکل امن و حافظ حریم خصوصی مبتنی بر رمزنگاری همریخت و برای مدل یادگیری فدرالی جهت تشخیص و شناسایی تهدیدات پیشرفته و مانا در شبکه اینترنت پهپادها پیشنهاد می دهیم.

private federated learning for apt detection in internet of drones

the internet of drones (iod) is a decentralized network that connects drones to controlled airspace. the connection of drones in these networks is through the internet of things. hence, these networks are vulnerable to all the security and privacy threats that affect iot networks. in addition, as the application of these networks is highly sensitive in many cases, there are greater potential security threats. the components of these networks work together to identify new and advanced threats. one of the ways to identify new and advanced threats in these networks is distributed machine learning where the data is sent to a central server to learn the general model. this model violates the privacy of network components. it also has a very high level of communication. on the other hand, the central server as the only point of failure may have many problems. in this case, federated learning helps distributed and decentralized networks to share their local model instead of sending their local and secret data. since the shared models may also disclose some information, we propose a secure and privacy-preserving protocol based on homomorphic encryption. the protocol proposed was for federal learning model and detection of new and advanced threats in the internet of drones.