La rápida evolución de las amenazas cibernéticas ha hecho necesario adoptar técnicas avanzadas de aprendizaje automático (ML) para la detección y respuesta a amenazas en tiempo real. Sin embargo, los sistemas de ciberseguridad basados en ML convencionales dependen en gran medida de la recopilación de datos centralizada, lo que plantea importantes preocupaciones de privacidad, incluyendo violaciones de datos, acceso no autorizado y incumplimiento de regulaciones de protección de datos como el GDPR y la Ley de Protección de Datos Personales Digitales (DPDP). Para abordar estos desafíos, este documento propone un modelo de aprendizaje automático federado consciente de la privacidad diseñado para aplicaciones modernas de ciberseguridad. El marco propuesto aprovecha el aprendizaje federado para permitir el entrenamiento descentralizado del modelo a través de nodos de cliente distribuidos, asegurando que los datos sensibles permanezcan locales y no se compartan directamente. Para fortalecer aún más las garantías de privacidad, se incorporan mecanismos de privacidad diferencial durante las actualizaciones locales del modelo, previniendo ataques de inferencia y riesgos de inversión del modelo. Se emplean técnicas de agregación segura para combinar las actualizaciones de los clientes en un modelo global mientras se preserva la confidencialidad. El modelo se evalúa en conjuntos de datos de detección de intrusiones de referencia, incluyendo NSL-KDD y CICIDS 2017, utilizando métricas de rendimiento como precisión, exactitud, recuperación, puntuación F1, sobrecarga de privacidad y costo de comunicación. Los resultados experimentales demuestran que el enfoque propuesto logra un rendimiento de detección competitivo mientras mejora significativamente la privacidad de los datos y el cumplimiento normativo.
Bhiste et al. (Mon,) estudiaron esta cuestión.