یک روش خوشه بندی برای تشخیص نفوذ براساس رویکرد یادگیری فدرال

امروزه سیستم‌های سازمانی، تجاری و‌‌‌‌‌‌صنعتی پیچیده‌تر شده‌اند و اتصال آن‌ها به سایر شبکه‌ها مانند اینترنت اجتناب‌ناپذیر است. حفظ حریم خصوصی کاربران و ارتباطات آن‌ها بسیار مهم است. نفوذ به این سیستم‌ها و سرقت داده‌ها یک تهدید دائمی برای آن‌ها است. مطالعاتی برای تشخیص نفوذ در سیستم‌ها با استفاده از روش‌های آماری، یادگیری ماشین و شبکه‌های عصبی انجام شده است. با توجه به پیشرو بودن عملکرد شبکه‌های یادگیری عمیق در زمینه‌های مختلف، عملکرد آن‌ها در حوزه تشخیص نفوذ نیز مورد توجه قرار گرفته است. بر‌این اساس، هدف این تحقیق، ارائه روشی برای تشخیص نفوذ در سیستم‌های متصل به اینترنت می‌باشد. این روش از یادگیری فدرالی و شبکه عصبی کانولوشن استفاده می‌کند تا داده‌های هر گره شبکه را با حفظ حریم خصوصی آن‌ها در سطح شبکه، خوشه‌بندی کند. این روش می‌تواند گره‌های آلوده و کاربران مهاجم را شناسایی کند. شبیه‌سازی این روش نشان می‌دهد که عملکرد آن نسبت به روش‌های مشابه بهبود یافته است و دقت 93% را در شناسایی گره‌های آلوده نشان می‌دهد و حساسیت کمتری به نویز دارد. همچنین مقیاس‌پذیری بیشتر و سربار ارتباطی کمتری دارد. این روش می‌تواند در سیستم‌های امنیتی مختلف، مانند سیستم‌های تشخیص نفوذ شبکه، سیستم‌های تشخیص نفوذ دستگاه و سیستم‌های تشخیص نفوذ سیستم‌عامل، استفاده شود.

a clustering method for intrusion detection based on federated learning approach

nowadays, organizational, commercial, and industrial systems have become more complex, and their connection to other networks such as the internet is inevitable. preserving the privacy of users and their communications is very important. intrusion into these systems and data theft pose a constant threat to them. studies have been conducted to detect intrusions in systems using statistical methods, machine learning, and neural networks. given the leading performance of deep learning networks in various fields, their performance in the field of intrusion detection has also been highlighted. based on this, the aim of this research is to present a method for detecting intrusions in systems connected to the internet. this method uses federated learning and convolutional neural networks to cluster the data of each network node while preserving their privacy at the network level. this method can identify infected nodes and attacker users. simulation of this method shows that its performance has improved compared to similar methods, achieving 93% accuracy in identifying infected nodes and showing less sensitivity to noise. additionally, it has greater scalability and less communication overhead. this method can be used in various security systems, such as network intrusion detection systems, device intrusion detection systems, and operating system intrusion detection systems.