Föderierte PCA auf dem Grassmann-Mannigfaltigkeit für IoT-Anomalieerkennung

Mit der Verbreitung des Internets der Dinge (IoT) und der steigenden Vernetzung von Geräten sieht sich die Netzwerksicherheit erheblichen Herausforderungen gegenüber, insbesondere durch anomalous Aktivitäten. Während traditionelle, maschinenlernbasierte Intrusion Detection Systeme (ML-IDS) effektiv überwachtes Lernen nutzen, haben sie Einschränkungen wie die Notwendigkeit für gelabelte Daten und Herausforderungen mit hoher Dimensionalität. Aktuelle unüberwachte ML-IDS-Ansätze wie AutoEncoders und Generative Adversarial Networks (GAN) bieten alternative Lösungen, stellen jedoch Herausforderungen bei der Implementierung auf ressourcenbeschränkten IoT-Geräten und bei der Interpretierbarkeit dar. Um diese Bedenken zu adressieren, schlägt dieses Papier ein neuartiges föderiertes unüberwachtes Anomalieerkennungsframework - FedPCA - vor, das die Hauptkomponentenanalyse (PCA) und die Alternating Directions Method Multipliers (ADMM) nutzt, um gemeinsame Darstellungen von verteilten, nicht-i.i.d. Datensätzen zu lernen. Basierend auf dem FedPCA-Framework schlagen wir zwei Algorithmen vor, FEDPE im euklidischen Raum und FEDPG auf Grassmann-Mannigfaltigkeiten. Unser Ansatz ermöglicht eine Echtzeiterkennung und -minderung von Bedrohungen auf Geräteebene, verbessert die Netzwerkresilienz und gewährleistet gleichzeitig Datenschutz. Darüber hinaus sind die vorgeschlagenen Algorithmen mit theoretischen Konvergenzraten sogar unter einem Subsampling-Schema verbunden, ein neuartiges Ergebnis. Experimentelle Ergebnisse auf den UNSW-NB15- und TON-IoT-Datensätzen zeigen, dass unsere vorgeschlagenen Methoden eine Leistung in der Anomalieerkennung bieten, die mit nichtlinearen Baselines vergleichbar ist, während sie signifikante Verbesserungen in der Kommunikations- und Speichereffizienz bieten, was ihr Potenzial zur Sicherung von IoT-Netzwerken unterstreicht.