SAFE-ADVENT：一种保护隐私且具备弹性的分布式联邦学习方法，用于5G-V2X网络中的DDoS攻击检测

《IEEE Transactions on Machine Learning in Communications and Networking》：SAFE-ADVENT: Privacy-Preserving and Resilient Distributed Federated Learning for DDoS Attacks Detection in 5G-V2X Networks

　　

摘要：

无线通信技术是实现5G车对一切（5G-V2X）通信的关键技术，但这种通信方式容易受到分布式拒绝服务（DDoS）等网络攻击的威胁。DDoS检测需要基于复杂人工智能（AI）的方法，其主要挑战在于数据隐私问题。安全的点对点（P2P）联邦学习（FL）技术可以通过在本地训练检测模型并共享模型参数以实现安全的数据聚合来克服这一挑战。然而，随着FL客户端数量的增加，这种策略的扩展性较差且通信成本较高。为此，我们提出了SAFE-ADVENT这一安全的P2P FL策略，它通过结合迁移学习和客户端选择机制来降低通信成本并检测DDoS攻击。利用我们在5G-V2X测试平台上收集的数据，在离线场景下，SAFE-ADVENT的检测速度优于深度学习、集中式FL以及基于SAC的P2P FL基准测试方法。通过实时流量测试和对抗性攻击测试，SAFE-ADVENT在大多数场景中均表现出色。最后，SAFE-ADVENT在增加FL客户端数量时仍能保持高性能，证明了其良好的扩展性。