사물인터넷 이상 탐지를 위한 그래스만 다양체上的 연합 PCA

사물인터넷(IoT)의 확산과 장치 간의 상호 연결성이 증가함에 따라 네트워크 보안은 특히 이상 활동에 대해 심각한 도전에 직면하고 있습니다. 전통적인 머신러닝 기반 침입 탐지 시스템(ML-IDS)은 감독 학습 방법을 효과적으로 사용하지만 레이블이 지정된 데이터에 대한 요구 사항과 높은 차원의 문제와 같은 제한 사항이 있습니다. 최근의 비지도 ML-IDS 접근 방식인 오토인코더와 생성적 적대 신경망(GAN)은 대안적 솔루션을 제공하지만 자원이 제한된 IoT 장치에 배포하는 데 어려움이 있으며 해석 가능성에 문제를 일으킵니다. 이러한 문제를 해결하기 위해, 본 논문은 주요 성분 분석(PCA)과 교대 방향 방법 승수(ADMM)를 활용하여 분산된 비 i.i.d. 데이터 세트의 공통 표현을 학습하는 새로운 연합 비지도 이상 탐지 프레임워크인 FedPCA를 제안합니다. FedPCA 프레임워크를 기반으로, 우리는 유클리드 공간의 FEDPE와 그래스만 다양체 위의 FEDPG 두 가지 알고리즘을 제안합니다. 우리의 접근 방식은 장치 수준에서의 실시간 위협 탐지 및 완화를 가능하게 하여 네트워크의 탄력성을 강화하고 개인 정보를 보장합니다. 또한 제안된 알고리즘은 서브샘플링 방식 하에서도 이론적인 수렴 속도를 동반하여 혁신적인 결과를 제공합니다. UNSW-NB15 및 TON-IoT 데이터 세트를 통한 실험 결과는 우리의 제안된 방법이 비선형 기준선과 유사한 성능을 제공하는 이상 탐지 성능을 제공하며, 통신 및 메모리 효율성에서 상당한 개선을 보여 IoT 네트워크 보안의 잠재력을 강조합니다.