DOI: https://doi.org/10.3389/fdata.2025.1526480
PMID: https://pubmed.ncbi.nlm.nih.gov/40438227
تاريخ النشر: 2025-05-14
المؤلف: Mohamed Abd Elaziz وآخرون
الموضوع الرئيسي: أمن الشبكات وكشف التسلل
نظرة عامة
تتناول الورقة القضية الحرجة لاكتشاف التسلل في بيئة إنترنت الأشياء (IoT)، مع تسليط الضوء على قيود أنظمة اكتشاف التسلل المركزية التقليدية (IDSs) التي تثير مخاوف تتعلق بالخصوصية. للتغلب على هذه التحديات، يقترح المؤلفون إطار عمل جديد يركز على الثقة في التعلم الفيدرالي (FL) باستخدام نموذج محول الجدول (TTF)، معززًا من خلال خوارزمية ضبط المعلمات الفائقة المستوحاة من تحسين بحث ثعبان الكهرباء (EEFO). يهدف هذا النهج اللامركزي إلى تحسين قدرات الاكتشاف مع الحفاظ على خصوصية المستخدم من خلال تجنب جمع البيانات المركزية. تم اختبار الإطار بشكل صارم على ثلاثة مجموعات بيانات IoT—N-BaIoT وUNSW-NB15 وCICIoT—مظهرًا تحسينات كبيرة في الدقة والدقة والاسترجاع مقارنة بالطرق التقليدية.
في الختام، يظهر الإطار المقترح القائم على TTF وعدًا كبيرًا في تعزيز اكتشاف التسلل في بيئات IoT، مع إدارة البيانات عالية الأبعاد والاستفادة من الأنماط الجوهرية من أجهزة IoT. تسهم دمج خوارزمية EEFO لتحسين المعلمات الفائقة في متانة النموذج ضد أنواع التسلل المختلفة. تشمل اتجاهات البحث المستقبلية استكشاف سياقات التعلم غير الخاضع للإشراف وتقييم مرونة النموذج ضد الهجمات العدائية، مما قد يعزز بشكل أكبر أمان أنظمة IoT.
مقدمة
تناقش مقدمة الورقة الدور الحاسم لإنترنت الأشياء (IoT) في التطبيقات الحديثة، مثل المنازل الذكية والرعاية الصحية، مع تسليط الضوء على التهديدات الأمنية المصاحبة التي تستلزم أنظمة اكتشاف التسلل الفعالة (IDSs). تشكل أنظمة IDS المركزية التقليدية مخاطر على الخصوصية وتواجه تحديات بسبب تنوع أنواع البيانات وسلوكيات أجهزة IoT الديناميكية. لمعالجة هذه القضايا، تم استخدام نماذج التعلم الآلي (ML)، ومع ذلك، غالبًا ما تتطلب نقل بيانات حساسة إلى الخوادم المركزية، مما يثير مخاوف تتعلق بالخصوصية. يظهر التعلم الفيدرالي (FL) كبديل واعد، مما يسمح بمعالجة البيانات محليًا ويعزز الخصوصية مع تقليل تكاليف الاتصال.
تقترح الورقة إطار عمل محسّن قائم على FL يدمج نموذج محول الجدول (TTF) لتحسين معالجة البيانات ويستخدم خوارزمية تحسين بحث ثعبان الكهرباء (EEFO) لضبط المعلمات الفائقة بشكل فعال. يهدف هذا الإطار إلى التغلب على قيود النماذج الحالية، مثل تمثيل العملاء غير الكافي والعبء الكبير على الاتصال. تشمل المساهمات تطوير نظام IDS شامل يجمع بين اكتشاف الشذوذ والتصنيف، إلى جانب تقييم قوي باستخدام مجموعات بيانات متعددة. يتم توضيح هيكل الورقة، مع تفاصيل الأقسام التالية التي ستستكشف الدراسات ذات الصلة، والمفاهيم الأساسية، والنموذج المقترح، وإعداد التجارب، والنتائج الرئيسية.
طرق
في هذا القسم، يقوم المؤلفون بإجراء تحليل مقارن للحلول الحديثة القائمة على التعلم الفيدرالي (FL) لأنظمة اكتشاف التسلل (IDS)، كما هو ملخص في الجدول 9. تشمل المقارنة نماذج متنوعة مثل الشبكات العصبية العميقة (DNN)، والذاكرة طويلة وقصيرة المدى (LSTM)، وغابة عشوائية (RF)، وإطارات متخصصة مثل FLUIDS ومصنف تدفق الطاقة (EFC). يستخدم التحليل مجموعات بيانات متنوعة، بما في ذلك UNSW-NB15 وKDD99 وN-BaIoT، والتي تعكس تعقيدات تحديات أمان IoT في العالم الحقيقي. من الجدير بالذكر أن النموذج المقترح يظهر أداءً استثنائيًا، حيث يحقق دقة تبلغ 99.02% ودرجة F تبلغ 98.87% على مجموعة بيانات N-BaIoT، متجاوزًا بشكل كبير النماذج المعاصرة الأخرى.
تشير النتائج إلى أن النموذج المقترح يتفوق باستمرار على الأطر الحالية عبر مجموعات بيانات متعددة، بما في ذلك UNSW-NB15 وCICIoT2023، حيث يسجل أيضًا قيم دقة ودرجة F عالية. على سبيل المثال، على مجموعة بيانات UNSW-NB15، يحقق النموذج المقترح دقة تبلغ 98.50%، مقارنةً بـ 96.48% للإطار الأصلي. تؤكد النتائج على إمكانية النموذج المقترح كمنهجية رائدة في IDS القائم على FL لأمان IoT، كما يتضح من قدراته الفائقة في الاكتشاف وكفاءته، كما هو موضح في مقاييس الأداء المقدمة في الجدول 9.
نتائج
في هذا القسم، يقدم المؤلفون نتائج تجاربهم التي تهدف إلى تعزيز اكتشاف التسلل في بيئات IoT من خلال إطار عمل التعلم الفيدرالي (FL). يستخدم الإطار نموذج TTF، الذي يتم تدريبه في البداية بمعلمات مُهيأة عشوائيًا ثم يتم ضبطه لاحقًا باستخدام خوارزمية EEFO. تم إجراء التجارب باستخدام ثلاث مجموعات بيانات: N-BaIoT وUNSW-NB15 وCIC-IoT2023، مع التركيز على مهام التصنيف الثنائي والمتعدد الفئات. أظهر الإطار المقترح أداءً متفوقًا مقارنةً بالإطار الأصلي، حيث حقق دقة أعلى، وخسارة أقل، ووقت تدريب مخفض عبر جميع مجموعات البيانات. من الجدير بالذكر أن النموذج المقترح حقق دقة تبلغ 99.95% على مجموعة بيانات N-BaIoT للتصنيف الثنائي، متجاوزًا بشكل كبير 97.1% للنموذج الأصلي.
تشير النتائج إلى أن الإطار المقترح لا يحسن فقط معدلات الاكتشاف ولكن أيضًا يحافظ على خصوصية البيانات ويقلل من العبء الحسابي. كانت دور خوارزمية EEFO في ضبط المعلمات الفائقة التكيفية حاسمة في تحسين أداء النموذج عبر مجموعات بيانات متغيرة. ومع ذلك، يعترف المؤلفون بالقيود، بما في ذلك التكاليف الحسابية العالية المرتبطة بالتدريب على الأجهزة الطرفية والتحديات المتعلقة بإدارة مجموعات البيانات غير المتوازنة، والتي قد تؤثر على تعميم النموذج في التطبيقات العملية. بشكل عام، تؤكد النتائج على فعالية الإطار المقترح في تعزيز قدرات اكتشاف التسلل مع معالجة قيود أساليب IDS التقليدية القائمة على FL.
نقاش
يوفر قسم النقاش في الورقة البحثية نظرة شاملة على التقدمات الأخيرة في أنظمة اكتشاف التسلل (IDS) القائمة على التعلم الفيدرالي (FL) لبيئات إنترنت الأشياء (IoT). يسلط الضوء على تطور تقنيات FL، بدءًا من FedAvg لمكمان وآخرون (2017)، الذي يركز على خصوصية البيانات والقدرات الحسابية للأجهزة الطرفية. يشير القسم إلى أنه بينما حقق FL تقدمًا كبيرًا، لا تزال التحديات مثل تباين البيانات قائمة. قدم لي وآخرون (2020) FedProx لمعالجة هذه التناقضات، مما يظهر تحسينًا في الاستقرار والدقة مقارنةً بـ FedAvg في الشبكات غير المتجانسة.
تناقش الورقة أيضًا أطر IDS المختلفة القائمة على FL، بما في ذلك تلك التي قدمها يانغ وآخرون (2019) وكايروز وآخرون (2021)، والتي تستكشف الطبيعة اللامركزية لـ FL وتوزيع المخاطر بين العملاء والخوادم. كما تتناول التحديات العدائية في FL، مشيرةً إلى دراسات تقترح آليات دفاع ضد هجمات تسميم البيانات، مثل تلك التي قدمها بيجيو وآخرون (2012) وبلانشارد وآخرون (2017). بالإضافة إلى ذلك، يستعرض القسم أساليب مبتكرة مثل AnoFed، وهو إطار عمل يعتمد على المحولات لاكتشاف الشذوذ، واستراتيجيات تحسين المعلمات الفائقة المختلفة، بما في ذلك تحسين بايزي وخوارزمية EEFO، التي تعزز أداء أطر IDS القائمة على FL. بشكل عام، يؤكد النقاش على الحاجة المستمرة لحلول فعالة لتحسين متانة وكفاءة FL في سياق أمان IoT.
DOI: https://doi.org/10.3389/fdata.2025.1526480
PMID: https://pubmed.ncbi.nlm.nih.gov/40438227
Publication Date: 2025-05-14
Author(s): Mohamed Abd Elaziz et al.
Primary Topic: Network Security and Intrusion Detection
Overview
The paper addresses the critical issue of intrusion detection in the Internet of Things (IoT) environment, highlighting the limitations of traditional centralized intrusion detection systems (IDSs) that raise privacy concerns. To overcome these challenges, the authors propose a novel trust-centric federated learning (FL) framework utilizing a tab transformer (TTF) model, enhanced through a hyperparameter tuning algorithm inspired by the electric eel foraging optimization (EEFO). This decentralized approach aims to improve detection capabilities while preserving user privacy by avoiding centralized data collection. The framework was rigorously tested on three IoT datasets—N-BaIoT, UNSW-NB15, and CICIoT—demonstrating significant improvements in accuracy, precision, and recall compared to traditional methods.
In conclusion, the proposed TTF-based framework shows great promise for enhancing intrusion detection in IoT environments, effectively managing high-dimensional data and leveraging intrinsic patterns from IoT devices. The integration of the EEFO algorithm for hyperparameter optimization contributes to the model’s robustness against various intrusion types. Future research directions include exploring unsupervised learning contexts and evaluating the model’s resilience against adversarial attacks, which could further enhance the security of IoT systems.
Introduction
The introduction of the paper discusses the critical role of the Internet of Things (IoT) in modern applications, such as smart homes and healthcare, while highlighting the accompanying security threats that necessitate effective intrusion detection systems (IDSs). Traditional centralized IDSs pose privacy risks and face challenges due to the diverse data types and dynamic behaviors of IoT devices. To address these issues, machine learning (ML) models have been employed, yet they often require sensitive data to be transmitted to central servers, raising privacy concerns. Federated learning (FL) emerges as a promising alternative, allowing local data processing and enhancing privacy while reducing communication costs.
The paper proposes an enhanced FL-based IDS framework that integrates a tab transformer (TTF) model for improved data handling and employs the electric eel foraging optimization (EEFO) algorithm for efficient hyperparameter tuning. This framework aims to overcome limitations of existing models, such as inadequate client representation and significant communication overhead. The contributions include the development of a comprehensive IDS that combines anomaly detection and classification, alongside a robust evaluation using multiple datasets. The structure of the paper is outlined, detailing subsequent sections that will explore related studies, foundational concepts, the proposed model, experimental setup, and key findings.
Methods
In this section, the authors conduct a comparative analysis of recent federated learning (FL)-based solutions for intrusion detection systems (IDS), as summarized in Table 9. The comparison includes various models such as Deep Neural Networks (DNN), Long Short-Term Memory (LSTM), Random Forest (RF), and specialized frameworks like FLUIDS and Energy Flow Classifier (EFC). The analysis utilizes diverse datasets, including UNSW-NB15, KDD99, and N-BaIoT, which reflect the complexities of real-world IoT security challenges. Notably, the proposed model demonstrates exceptional performance, achieving an accuracy of 99.02% and an F-score of 98.87% on the N-BaIoT dataset, significantly surpassing other contemporary models.
The results indicate that the proposed model consistently outperforms existing frameworks across multiple datasets, including UNSW-NB15 and CICIoT2023, where it also records high accuracy and F-score values. For instance, on the UNSW-NB15 dataset, the proposed model achieves an accuracy of 98.50%, compared to 96.48% for the original framework. The findings underscore the proposed model’s potential as a leading methodology in FL-based IDS for IoT security, as evidenced by its superior detection capabilities and efficiency, as detailed in the performance metrics presented in Table 9.
Results
In this section, the authors present the results of their experiments aimed at enhancing intrusion detection in IoT environments through a federated learning (FL) framework. The framework employs a TTF model, which is initially trained with randomly initialized parameters and subsequently fine-tuned using the EEFO algorithm. The experiments were conducted using three datasets: N-BaIoT, UNSW-NB15, and CIC-IoT2023, focusing on both binary and multi-class classification tasks. The proposed framework demonstrated superior performance compared to the original framework, achieving higher accuracy, lower loss, and reduced training time across all datasets. Notably, the proposed model attained an accuracy of 99.95% on the N-BaIoT dataset for binary classification, significantly outperforming the original model’s 97.1%.
The results indicate that the proposed framework not only improves detection rates but also maintains data privacy and reduces computational overhead. The EEFO algorithm’s role in adaptive hyperparameter tuning was crucial for optimizing model performance across varying datasets. However, the authors acknowledge limitations, including high computational costs associated with training on edge devices and challenges related to managing unbalanced datasets, which could affect model generalization in practical applications. Overall, the findings underscore the effectiveness of the proposed framework in enhancing intrusion detection capabilities while addressing the constraints of traditional FL-based IDS approaches.
Discussion
The discussion section of the research paper provides a comprehensive overview of recent advancements in federated learning (FL)-based intrusion detection systems (IDS) for Internet of Things (IoT) environments. It highlights the evolution of FL techniques, starting with McMahan et al.’s (2017) FedAvg, which emphasizes data privacy and the computational capabilities of edge devices. The section notes that while FL has made significant strides, challenges such as data heterogeneity persist. Li et al. (2020) introduced FedProx to address these inconsistencies, demonstrating improved stability and accuracy over FedAvg in heterogeneous networks.
The paper further discusses various FL-based IDS frameworks, including those by Yang et al. (2019) and Kairouz et al. (2021), which explore the decentralized nature of FL and its risk distribution among clients and servers. It also addresses adversarial challenges in FL, referencing studies that propose defense mechanisms against data poisoning attacks, such as those by Biggio et al. (2012) and Blanchard et al. (2017). Additionally, the section reviews innovative approaches like AnoFed, a transformer-based autoencoder framework for anomaly detection, and various hyperparameter optimization strategies, including Bayesian optimization and the EEFO algorithm, which enhance the performance of FL-based IDS frameworks. Overall, the discussion underscores the ongoing need for effective solutions to improve the robustness and efficiency of FL in the context of IoT security.