DDoS Detection using Trust-Aware Federated Learning for Heterogeneous Collaborators

Abstract

Οι Κατανεμημένες Επιθέσεις Άρνησης Παροχής Υπηρεσιών (\en{DDoS}) αποτελούν μείζον πρόβλημα στη σύγχρονη εποχή τού διαδικτύου, καθώς στοχεύουν στην παράλυση υπηρεσιών και στην εξάντληση των πόρων που αυτές χρησιμοποιούν, καθιστώντας τις απροσπέλαστες από τους νόμιμους χρήστες τους. Η καταπολέµηση των επιθέσεων αυτών είναι µια πρόκληση, την οποία για να ξεπεράσουν οι οργανισµοί ασφαλείας συχνά χρειάζεται να συνεργαστούν και πιθανώς να µοιραστούν τα δεδοµένα που διαθέτουν, για την εκπαίδευση µοντέλων με μεγαλύτερη ακρίβεια ανίχνευσης. Εντούτοις, η συνεργασία αυτή δεν μπορεί εύκολα να καταστεί εφικτή κάτω από τις παραδοσιακές συνθήκες εκπαίδευσης µε Κατανεμημένη Μηχανική Μάθηση (\en{Distributed Machine Learning}), όπου τα δεδοµένα εκπαίδευσης εκτίθενται σε έναν κεντρικό διακομιστή, λόγω του τεράστιου όγκου των δεδομένων αυτών, του εµπορικού ανταγωνισµού και των αυστηρών πρωτοκόλλων ιδιωτικότητας και ασφάλειας. Προκειµένου να αντιμετωπιστούν οι παραπάνω δυσκολίες, σε αυτήν τη διπλωµατική προτείνουμε, σε πρώτο επίπεδο, ένα περιβάλλον συνεργατικής εκπαίδευσης που βασίζεται στη σύγχρονη μέθοδο τής Ομοσπονδιακής Μάθησης (\en{Federated Learning}). Κατά την εκπαίδευση µε \en{Federated Learning}, τα µόνα δεδοµένα που ανταλλάσσονται είναι τα τοπικά µοντέλα που εκπαιδεύονται σε κάθε συνεργαζόμενη οντότητα και αποστέλλονται σε έναν κεντρικό διακομιστή για να συµψηφιστούν σε ένα νέο γενικό µοντέλο. Τα δεδοµένα εκπαίδευσης παραµένουν προστατευµένα στις τοπικές συσκευές καθόλη τη διάρκεια της εκπαίδευσης. Ωστόσο, με τη διαδικασία αυτή προκύπτουν δύο ζητήματα. Αρχικά, απαιτείται σε παραδοσιακές αρχιτεκτονικές \en{Federated Learning} οι συνεργαζόμενες οντότητες να καταλήξουν ομόφωνα σε κοινή αρχιτεκτονική μοντέλου, πράγμα που μπορεί να μην είναι εύκολο εξαιτίας αφενός της ετερογένειας των δεδομένων τους και αφετέρου των εκάστοτε διαθέσιμων πόρων κάθε οντότητας. Το δεύτερο είναι το ενδεχόμενο κάποια από τις συνεγαζόμενες οντότητες να διαθέτει ελαττωματικά δεδομένα, με αποτέλεσμα να στέλνει διαφορετικά (αποκλίνοντα) μοντέλα σε σχέση με τις υπόλοιπες και να επηρεάζεται αρνητικά η όλη διαδικασία. Στόχος, λοιπόν, της παρούσας διπλωματικής, σε δεύτερο επίπεδο, είναι η αντιμετώπιση των δύο προαναφερθέντων ζητημάτων. Για το λόγο αυτό αναπτύσσεται μια πειραματική διάταξη \en{Federated Learning} κατάλληλη για ετερογενή μοντέλα, δηλαδή μοντέλα ίδιων νευρωνικών δικτύων, αλλά με διαφορετικούς αριθμούς νευρώνων, και εμπλουτισμένη με έναν παράγοντα εμπιστοσύνης (\en{trust}) με σκοπό τη μείωση της επιρροής των συνεργατών που στέλνουν αποκλίνοντα μοντέλα. Μας ενδιαφέρει να δούμε αν μπορούμε πράγματι να χρησιμοποιήσουμε το \en{Federated Learning} αντιμετωπίζοντας τα ζητήματα αυτά.