Datenschutzfreundliche Intrusionserkennung mit Convolutional Neural Networks

Datenschutzfreundliche Analysen sind darauf ausgelegt, wertvolle Vermögenswerte zu schützen. Eine gängige Dienstleistung umfasst die Eingabedaten des Kunden und das Modell auf der Analystenseite. Die Bedeutung des Datenschutzes wird durch rechtliche Vorgaben und Bedenken hinsichtlich des geistigen Eigentums verstärkt. Wir untersuchen den Anwendungsfall eines Modellinhabers, der einen Analyse-Service auf den privaten Daten des Kunden bereitstellt. Es dürfen keine Informationen über die Daten an den Analysten weitergegeben werden und keine Informationen über das Modell dürfen an den Kunden geleakt werden. Aktuelle Methoden verursachen Kosten: Verschlechterung der Genauigkeit und rechnerische Komplexität. Diese Komplexität führt wiederum zu längeren Verarbeitungszeiten, erhöhten Anforderungen an Rechenressourcen und umfasst die Datenkommunikation zwischen dem Kunden und dem Server. Um eine solche Service-Architektur bereitzustellen, müssen wir die optimale Einstellung bewerten, die in die Einschränkungen passt. Und genau das behandelt dieses Papier. In dieser Arbeit verbessern wir ein AngriffsErkennungssystem, das auf Convolutional Neural Networks basiert, mit datenschutzfreundlicher Technologie basierend auf dem PriMIA-Rahmenwerk, das ursprünglich für medizinische Daten entwickelt wurde.