عنوان

یادگیری فدرال بهبود یافته برای شناسایی حملات شبکه رباتی روز صفر در ابزار‌های لبه اینترنت اشیاء با استفاده از کاهش بعد

Number

پ۲۸۶۰۱

.Language of Text, Soundtrack etc

per

Title Proper

یادگیری فدرال بهبود یافته برای شناسایی حملات شبکه رباتی روز صفر در ابزار‌های لبه اینترنت اشیاء با استفاده از کاهش بعد

First Statement of Responsibility

مهدی فلاح

Name of Publisher, Distributor, etc.

برق و کامپیوتر

Date of Publication, Distribution, etc.

۱۴۰۲

Specific Material Designation and Extent of Item

۷۹ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی کامپیوتر گرایش رایانش امن

Date of degree

۱۴۰۲/۰۱/۲۲

Text of Note

یادگیری فدرال به عنوان یک رویکرد امیدوارکننده برای آموزش مدل‌های یادگیری ماشین بر روی منابع داده توزیع‌شده و ناهمگن معرفی شده‌است. با این حال، یادگیری فدرال با چالش‌های متعددی مانند سربار ارتباطی بالا مواجه است. در این رساله، پیشنهاد می‌شود از تکنیکهای کاهش بعد برای حل این چالش‌ها در یادگیری فدرال استفاده شود. به طور خاص در این رساله، استفاده از فاکتورسازی ماتریس غیر منفی (NMF) و تحلیل مولفه مستقل سریع (FastICA) به عنوان تکنیک‌های کاهش بعد برای یادگیری فدرال بررسی شده‌است. رویکرد پیشنهادی، بر روی یک مجموعه‌داده شناسایی حملات شبکه رباتی به نام Bot-IoT ارزیابی شده‌است که شامل داده‌های ترافیک شبکه جمع‌آوری‌شده از دستگاه‌های اینترنت اشیاء است. نتایج ارزیابی نشان می‌دهد که FastICA می‌تواند به طور قابل‌توجهی سربار ارتباط و زمان همگرایی در یادگیری فدرال را کاهش‌دهد و در عین حال دقت مدل را حفظ‌کند. از سوی دیگر، NMF در مقایسه با FastICA عملکرد پایین‌تری نشان می‌دهد؛ زیرا مجموعه‌داده مورد بررسی هیچ ویژگی پنهانی ندارد و همه ویژگی‌ها مستقل هستند. نتایج این پژوهش پتانسیل تکنیک‌های کاهش ابعاد را برای بهبود مقیاس‌پذیری و کارایی یادگیری فدرال را نشان می‌دهد. با این حال، هنوز فضای زیادی برای بهبود وجود دارد، به خصوص در مدیریت داده های غیر IID و حفظ حریم خصوصی داده‌ها در یادگیری فدرال. پژوهش آینده می‌تواند استفاده از یادگیری انتقال، حریم خصوصی تفاضلی و سایر تکنیک‌های پیشرفته را برای حل این چالش‌ها و بهبود بیشتر عملکرد یادگیری فدرال در سناریوهای دنیای واقعی بررسی کند.

Text of Note

Federated Learning (FL) has emerged as a promising approach for trainingmachine learning models on distributed and heterogeneous data sources.However, FL faces several challenges such as communication overhead. Thisthesis proposes to use dimension reduction techniques to address these challengesin FL. Specifically, Non-negative Matrix Factorization (NMF) and FastIndependent Component Analysis (FastICA) are investigated for this purpose.The proposed approach is evaluated on a botnet detection dataset called Bot-IoT,which consists of network traffic data collected from Internet of Things (IoT)devices. The results show that FastICA significantly reduce the communicationoverhead and convergence time in FL while preserving the model accuracy,precision, recall, and F1-score. However, NMF shows inferior performancecompared to FastICA because the dataset does not have any latent features and allthe features are independent. This study demonstrates the potential of dimensionreduction techniques for improving the scalability and efficiency of FL. However,there is still much room for improvement, especially in handling non-IID data andpreserving data privacy in FL. Future work can investigate the use of transferlearning, differential privacy, and other advanced techniques to address thesechallenges and further improve the performance of FL in real-world scenarios

Variant Title

An Improved Federated Deep Learning for Zero-Day Botnet Attack Detection in IoT-Edge Devices Using Dimension Reduction

Entry Element

‏فلاح،

Part of Name Other than Entry Element

‏‏مهدی

Relator Code

تهیه کننده

Entry Element

‏صالح پور،

Entry Element

سخندان،‏

Part of Name Other than Entry Element

‏‏پدرام

Part of Name Other than Entry Element

علیرضا

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏تبریز