Υλοποίηση εφαρμογής Federated Learning για την κυβερνοασφάλεια ασύρματων δικτύων 5G/6G, IoT και Edge Computing

Abstract

Η συνεχώς αυξανόμενη χρήση έξυπνων συσκευών και η εξάπλωση των τεχνολογιών 5G/6G και του Διαδικτύου των Πραγμάτων (IoT) έχουν οδηγήσει σε ένα νέο περιβάλλον ψηφιακής επικοινωνίας, όπου η ασφάλεια των δεδομένων αποτελεί κρίσιμη πρόκληση. Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη ενός συστήματος ανίχνευσης επιθέσεων που αξιοποιεί την Ομοσπονδιακή Μάθηση, μια μέθοδο εκπαίδευσης αλγορίθμων χωρίς την αποστολή των δεδομένων σε κάποιο κεντρικό σημείο. Στη συγκεκριμένη προσέγγιση κάθε επιμέρους συμμετέχων, όπως μία συσκευή ή ένας κόμβος, εκπαιδεύει το δικό του μοντέλο τοπικά και στέλνει μόνο τις παραμέτρους της εκπαίδευσης, ενισχύοντας έτσι την προστασία των προσωπικών δεδομένων. Για την υλοποίηση χρησιμοποιήθηκε το σύνολο δεδομένων N-BaIoT που περιλαμβάνει πραγματικά σενάρια επιθέσεων τύπου Mirai σε συσκευές IoT. Το σύστημα εκπαιδεύτηκε με νευρωνικό δίκτυο πλήρους συνδεσιμότητας, και εφαρμόστηκε μηχανισμός έγκαιρης διακοπής της εκπαίδευσης για την αποφυγή υπερπροσαρμογής. Η απόδοση του συστήματος αξιολογήθηκε με βάση δείκτες όπως η ακρίβεια και η ισορροπία μεταξύ ανίχνευσης και αποφυγής ψευδών θετικών αποτελεσμάτων. Το τελικό παγκόσμιο μοντέλο πέτυχε ακρίβεια 92,22% και F1-score 0,9206, επιδεικνύοντας σταθερή συμπεριφορά κατά τη διάρκεια των ομοσπονδιακών γύρων εκπαίδευσης. Για λόγους σύγκρισης, υλοποιήθηκε και μια κλασική μέθοδος κεντρικής εκπαίδευσης με τα ίδια δεδομένα αλλά συγκεντρωμένα, η οποία παρουσίασε ελαφρώς καλύτερη ακρίβεια 99,63%. Η εργασία απευθύνεται σε όσους ασχολούνται με την ασφάλεια συστημάτων νέας γενιάς και αναζητούν μεθόδους που προστατεύουν τα δεδομένα κατά την εκπαίδευση μοντέλων τεχνητής νοημοσύνης. Τέλος, προτείνονται μελλοντικές επεκτάσεις και πιθανές βελτιώσεις του συστήματος.