Key points are not available for this paper at this time.
Alors que la demande pour les technologies de l'Internet des objets (IoT) continue de croître, les dispositifs IoT sont devenus des cibles viables pour les infections par des logiciels malveillants. Bien que la détection de logiciels malveillants basée sur l'apprentissage profond ait connu un grand succès, les modèles de détection sont généralement entraînés sur la base des enregistrements utilisateur collectés, ce qui entraîne des risques significatifs pour la vie privée. Une solution prometteuse est d'utiliser l'apprentissage fédéré (FL) pour permettre un entraînement distribué sur les appareils sans centraliser les enregistrements privés des utilisateurs. Cependant, il n'est pas trivial pour les utilisateurs d'IoT de labeliser ces enregistrements, la qualité et la fiabilité de l'étiquetage des données étant difficiles à garantir. Pour répondre à ces problèmes, cet article développe un cadre de détection de logiciels malveillants dans l'IoT semi-supervisé basé sur des technologies de transfert de connaissances, nommé FedMalDE. Plus précisément, FedMalDE explore la corrélation sous-jacente entre les enregistrements étiquetés et non étiquetés pour inférer des étiquettes pour les échantillons non étiquetés par le mécanisme de transfert de connaissances. De plus, un réseau de capsules agrégées sous-graphes spécialement conçu (SACN) est utilisé pour capturer efficacement les comportements malveillants variés. Les expérimentations extensives réalisées sur des données du monde réel démontrent l'efficacité de FedMalDE dans la détection de logiciels malveillants IoT et sa garantie suffisante de confidentialité et de robustesse.
Pei et al. (Sat,) ont étudié cette question.