Mejorando la Privacidad en la Detección de Intrusiones Basada en Aprendizaje Federado para Redes IoT

El aprendizaje federado ha emergido como un paradigma líder de aprendizaje automático, prometiendo preservar la privacidad de los datos mientras entrena modelos de manera colaborativa. Este enfoque está encontrando cada vez más aplicaciones en el Internet de las Cosas, particularmente en el contexto de la detección de intrusiones. Sin embargo, la mayoría de los sistemas de detección de intrusiones basados en aprendizaje federado se centran en detectar ataques que apuntan o se originan en dispositivos de red. Lamentablemente, los sistemas de aprendizaje federado no son inmunes a los ataques de adversarios que buscan inferir información sobre los datos de los dispositivos. Durante las actualizaciones de modelos, los procesos de aprendizaje y la agregación, los agregadores maliciosos tienen el potencial de inferir información sobre los datos de los clientes. La agregación segura se utiliza para recopilar y consolidar las actualizaciones de modelos de varios dispositivos, asegurando la privacidad en las contribuciones individuales. Sin embargo, los protocolos actuales enfrentan desafíos como un alto número de rondas de comunicación, sobrecarga de comunicación y costos de computación, todos los cuales impactan negativamente en el rendimiento del modelo. Este trabajo tiene como objetivo encontrar el mejor equilibrio entre costo, privacidad y efectividad estudiando diferentes métodos de agregación segura (cómputo multipartito, privacidad diferencial y cifrado homomórfico) para alcanzar el mejor enfoque para mejorar la privacidad en los sistemas de detección de intrusiones basados en aprendizaje federado para el Internet de las Cosas, sin afectar el rendimiento.