Nicel araştırma makalesi incelemesi

DOI: 10.1109/smartnets61466.2024.10577749

Nesnelerin İnterneti Sistemlerinde Veri Dağılımı Zorluklarına Karşı Saldırı Tespitinde Federatif Öğrenme Yaklaşımlarının Karşılaştırmalı Analizi

Nesnelerin İnterneti sistemlerinin yaygınlaşması ve veri hacminin artması, geleneksel makine öğrenmesi modellerinin merkezi sunucularda eğitilmesini veri güvenliği ve gizliliği açısından sürdürülemez kılmaktadır. Bu bağlamda, model eğitimini uç cihazlara dağıtan Federatif Öğrenme yaklaşımı alternatif bir çözüm olarak öne çıkmaktadır.

Makalenin anahtar kelimeleri

Yazar: Eyad Gad, Zubair Md Fadlullah, Mostafa M. Fouda
Yayın: 2024 International Conference on Smart Applications, Communications and Networking (SmartNets)
Tarih: 2024-05-28
DOI: 10.1109/smartnets61466.2024.10577749

Makalenin Kapsamı ve Akademik İçeriği

Günümüz teknolojik altyapısında Nesnelerin İnterneti cihazlarının sayısının hızla artması ve buna bağlı olarak devasa veri hacimlerinin üretilmesi, geleneksel merkezi makine öğrenmesi yaklaşımlarının veri gizliliği ve bilgi işlem kapasitesi sınırları nedeniyle yetersiz kalmasına yol açmaktadır. Bu durum, özellikle güvenlik hassasiyeti yüksek alanlarda ağ bütünlüğünü korumak için tasarlanan saldırı tespit sistemlerinin işleyişini zorlaştırmaktadır. Doğrudan merkezi sunuculara veri aktarımının riskli olması ve cihazların hesaplama kısıtları, model eğitiminin uç birimlerde gerçekleştirilmesini zorunlu kılmaktadır. Bu gereksinim doğrultusunda geliştirilen federatif öğrenme, ham verilerin merkezî bir yerde toplanmasına gerek kalmaksızın işbirlikçi model eğitimi sağlamasıyla öne çıkmaktadır.

Bununla birlikte, katılımcı cihazların yerel veri dağılımlarının birbirinden farklı ve dengesiz olması, literatürde bağımsız ve özdeş olmayan veri sorunu olarak adlandırılan istatistiksel heterojenlik problemini doğurmaktadır. Bu araştırma, söz konusu istatistiksel heterojenliğin federatif öğrenme algoritmaları üzerindeki etkilerini derinlemesine incelemek amacıyla tasarlanmıştır. Çalışmada, geniş ölçekli saldırı senaryolarını barındıran CICIoT2023 veri seti kullanılmış ve ağ trafiği özelliklerine dayanan farklı sınıflandırma senaryoları oluşturulmuştur. Yöntemsel altyapı çerçevesinde, temel federatif ortalama yaklaşımı olan FedAvg ile birlikte, yerel güncellemeleri düzenlileştirme terimiyle kontrol eden FedProx ve varyans azaltma teknikleri uygulayan Scaffold algoritmaları deneysel olarak karşılaştırılmıştır.

Deneysel bulgular, bağımsız ve özdeş veri dağılımı koşullarında test edilen algoritmaların genel olarak yüksek doğruluk oranlarına ulaştığını, ancak verilerin heterojen bir şekilde dağıldığı senaryolarda başarımın belirgin biçimde farklılaştığını ortaya koymaktadır. Özellikle bağımsız ve özdeş olmayan veri dağılımında FedAvg algoritması düşük bir doğruluk oranında kalırken, FedProx algoritması uygun bir düzenlileştirme katsayısı ile daha yüksek bir uyum yeteneği ve yakınsama performansı sergilemiştir. Scaffold algoritması ise farklı veri dağılımlarında kararlı bir yapı izlemesine rağmen, bazı deneysel metriklerde ek optimizasyonlara ihtiyaç duyan sonuçlar ortaya koymuştur. Bu sonuçlar, veri dağılımındaki dengesizliklerin modelin yakınsama hızını ve sınıflandırma başarısını doğrudan sınırladığını doğrulamaktadır.

Elde edilen bulgular, Nesnelerin İnterneti ağlarında güvenlik amacıyla kurulan federatif öğrenme sistemlerinin başarısında veri heterojenliğinin yönetilmesinin kritik bir rol oynadığını göstermektedir. Çalışma, önceki literatürde yer alan benzer sistemlerle kıyaslandığında, farklı federatif öğrenme algoritmalarının istatistiksel heterojenlik altındaki başarımını gerçekçi bir veri seti üzerinden sistematik olarak ortaya koyması bakımından literatürdeki önemli bir boşluğu doldurmaktadır. Araştırmanın sonuçları, gelecekte geliştirilecek olan ölçeklenebilir ve iletişim açısından verimli federatif saldırı tespit sistemleri için hem araştırmacılara hem de uygulamacılara yol gösterici nitelikte somut veriler sunmaktadır.

Araştırmanın amacı

Bu araştırmanın amacı, farklı veri dağılımları altında FedAvg, FedProx ve Scaffold federatif öğrenme algoritmalarının performans nüanslarını kapsamlı bir şekilde incelemek ve büyük ölçekli Nesnelerin İnterneti saldırılarını sınıflandırmaktır(Gad et al., 2024).

İnceleme ve modelleme yöntemi

Bu çalışma, Nesnelerin İnterneti sistemlerinde güvenlik tehditlerine karşı merkezi olmayan model eğitimini değerlendiren nicel ve ampirik bir federatif öğrenme deseni benimsemektedir(Gad et al., 2024).

Kuramsal ve kavramsal çerçeve

Çalışmanın kuramsal temeli, merkezi olmayan veri işleme ve uç bilişim paradigmalarına dayanmaktadır. Bu çerçevede, model eğitiminin yerel cihazlarda gerçekleştirilerek güncellemelerin bir sunucuda birleştirildiği federatif öğrenme mimarisi ile L2 düzenlileştirme ve kontrol varyatörleri kullanan optimizasyon teknikleri ele alınmaktadır.

Makalenin ele aldığı literatür

Araştırma, Nesnelerin İnterneti ağlarında veri güvenliği, gizlilik koruması, merkezi olmayan öğrenme sistemleri ve özellikle istatistiksel heterojenlik zorluklarıyla başa çıkmaya odaklanan federatif öğrenme literatürü ile saldırı tespit sistemleri alanındaki mevcut çalışmaları ele almaktadır.

Araştırma Tasarımı

Evren veya inceleme alanı: CICIoT2023 veri seti kapsamında 105 üzerinde farklı Nesnelerin İnterneti cihazından elde edilen ağ trafiği ve paket yakalama kayıtları.
Örneklem veya araştırma materyali: Yedi farklı saldırı kategorisinde dengelenmiş veri noktaları ile IID ve non-IID dağılımlara göre bölüştürülmüş yedi istemci düğümü.
Veri toplama süreci: CICIoT2023 veri setinin 46 farklı öznitelik parametresi kullanılarak büyük ölçekli siber saldırıların ve iyi niyetli trafik akışlarının derlenmesi.
Veri analiz yöntemi: Lojistik Regresyon, AdaBoost, Rastgele Orman, Yapay Sınır Ağları ve FedAvg, FedProx ile Scaffold federatif öğrenme algoritmalarının başarım metrikleri üzerinden incelenmesi.

Federatif ÖğrenmeNon-IID Veri DağılımıSaldırı Tespit Sistemiİstatistiksel HeterojenlikModel Doğruluğu

Araştırmanın Bulguları

Rastgele Orman ve Yapay Sınır Ağları sınıflandırma senaryolarında yüksek doğruluk oranları sunarken, Lojistik Regresyon ve AdaBoost yöntemleri düşük başarım sergilemiştir(Gad et al., 2024).

Bağımsız ve özdeş dağılımlı senaryoda Scaffold algoritması yüksek doğruluk oranına ulaşırken FedAvg dalgalı bir seyir izlemiştir(Gad et al., 2024).

Bağımsız ve özdeş olmayan veri koşullarında FedAvg düşük doğruluk oranında kalırken FedProx algoritması daha yüksek uyum göstermiştir(Gad et al., 2024).

FedProx algoritmasında mu parametresinin artırılması non-IID dağılım zorluklarına karşı küresel modelin başarımını ve uyum yeteneğini olumlu yönde desteklemiştir(Gad et al., 2024).

Bulguların Tartışılması ve Araştırmanın Sonucu

Bulguların Yazarlar Tarafından Yorumlanışı

Araştırma bulguları, farklı federatif öğrenme algoritmalarının veri dağılımındaki heterojenlikten doğrudan etkilendiğini ve ağ mimarilerinin başarım seviyelerinin değiştiğini açıkça göstermektedir. Bağımsız ve özdeş dağılımlı senaryolarda algoritmalar istikrarlı sonuçlar üretirken, veri dağılımındaki sapmalar öğrenme süreçlerini zorlaştırmaktadır.

Yazarlar, bu durumun temel nedeni olarak istemciler arasındaki sınıf dengesizliklerini ve istatistiksel farklılıkları göstermektedir. Özellikle FedProx algoritmasının L2 düzenlileştirme terimi sayesinde yerel güncellemeleri kontrol altında tutarak non-IID koşullardaki performans düşüşünü dengelediği vurgulanmaktadır.

Elde edilen deneysel sonuçlar, mevcut literatürde yer alan merkezi olmayan güvenlik yaklaşımlarını desteklemekte ve farklı algoritmaların karşılaştırmalı analizine yeni bir bakış açısı sunmaktadır. Çalışma, Nesnelerin İnterneti ağlarında gizliliği korurken saldırı tespiti yapmanın teknik imkânlarını somut verilerle doğrulamaktadır.

Sonuç olarak, federatif öğrenme tabanlı saldırı tespit sistemlerinin gerçek dünya senaryolarında güvenilir biçimde çalışabilmesi için istatistiksel heterojenlik sorunlarının aşılması gerekmektedir. Önerilen yaklaşımların optimizasyonu, gelecekteki güvenlik uygulamalarının ölçeklenebilirliğini artıracaktır.

Sonuç Bölümünün Sunduğu Çıkarımlar

Çalışmanın sonuçları, federatif öğrenme algoritmalarının veri dağılımındaki değişimlerden etkilendiğini, özellikle non-IID ortamlarda FedProx yaklaşımının daha kararlı bir başarım sergilediğini ortaya koymaktadır(Gad et al., 2024).

Literatür Taraması İçin Sunduğu Çerçeve

Bu makale, Nesnelerin İnterneti ağlarındaki saldırı tespiti süreçlerinde federatif öğrenme algoritmalarının veri dağılım biçimlerine göre gösterdiği başarım nüanslarını sistematik olarak inceleyen bir performans değerlendirme işlevi görmektedir. Çalışma, geleneksel merkezi öğrenme yaklaşımlarının gizlilik ve veri güvenliği ekseninde yaşadığı çıkmazları ortadan kaldırmak amacıyla model eğitimini uç cihazlara dağıtan mimarilerin önemini ortaya koymaktadır. Özellikle farklı istemciler arasındaki veri özelliklerinin özdeş olmamasından kaynaklanan istatistiksel heterojenlik sorununu, FedAvg, FedProx ve Scaffold algoritmaları üzerinden karşılaştırmalı bir zeminde ele alarak alanyazındaki metodolojik boşluğun doldurulmasına katkı sağlamaktadır.

Yazar, ağ tabanlı saldırı tespiti ve federatif öğrenme alanındaki önceki araştırmaların bulgularından hareketle, mevcut çalışmaların çoğunun istemci ağırlıklandırma sistemleri ve sınıf dengeleme teknikleri açısından eksik kaldığını tespit etmektedir. Bu doğrultuda çalışma, Nguyen Duc Thien ve diğerlerinin güvenlik geçitlerindeki federatif öğrenme modelleri ile Anastasakis ve diğerlerinin gizlilik koruma yaklaşımlarını bir üst aşamaya taşıyarak, CICIoT2023 veri setinin farklı dağılım senaryolarındaki etkilerini test etmektedir. Önceki çalışmaların genel başarım odaklı yaklaşımlarından farklı olarak, bu makale veri heterojenliğinin algoritma yakınsama hızları ve doğruluk oranları üzerindeki doğrudan etkilerini derinlemesine sörgülamaktadır.

Literatür taraması bağlamında bu çalışma, araştırmacılara veuygulamacılara farklı federatif öğrenme algoritmalarının non-IID koşullardaki davranış biçimlerini gösteren somut deneysel bir zemin sunmaktadır. Özellikle FedProx algoritmasındaki düzenlileştirme parametresinin veri dağılımındaki sapmaları dengeleyicidiretkisini incelemesi, gelecekte geliştirilecek gizlilik odaklı saldırı tespit sistemleri için kuramsal bir referans oluşturmaktadır. Çalışmanın bulguları, büyük ölçekli IoT saldırılarının sınıflandırılmasında hangi algoritmik tercihin daha kararlı sonuçlar vereceğini haritalandırarak sonraki araştırmalar için yöntemsel bir rehber işlevi üstlenmektedir.

Kaynakça

Tez ve Makale Araştırmalarında Kullanım

Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.

Tez veya makalede kullanım · literatüre-review

Federatif öğrenme sistemlerinde veri dagilimindaki heterojenlik modelbasarioranini doğrudan dusurmektedir.

Nesnelerin interneti aglarinda veri dagilim bicimlerinin model basarisi üzerindeki etkisini tartisirken temel referans olarak kullanılacaktir(Gad et al., 2024).

Endustriyel Nesnelerin Interneti Aglarinda FedProx Tabanlı Saldiri Tespiti

Araştırma sorusu: Non-IID veri kosullarinda FedProx algoritmasinin farklı düzenlilesitirme parametreleri saldiri tespit basarisini nasıl etkilemektedir?
Yöntem taslağı: Endustriyel ag cihazlarindan toplanan gercek trafik verileri üzerinden, örneklem buyuklugu istatistiksel guc analizi ile belirlenen istemci tugaylari oluşturularak; veri toplama süreçinde ag paket yakalama yöntemleri kullanılacak ve model guncellemeleri Stochastic Gradient Descent optimizasyonu ile analiz edilecektir.

Makaleyle bağlantısı: Makalenin non-IID veri dagilimlarinda FedProx algoritmasinin basarim artisi sağladigi bulgusundan ve yazarin optimizasyon parametresi önerisinden turetılmistir(Gad et al., 2024).

Tez veya makalede kullanım · Kavramsal çerçeve

FedProx algoritmasi L2 düzenlilesitirme terimi sayesinde non-IID kosullardaki performans dususunu dengelemektedir.

Kavramsal çerçevede istemci guncellemelerini kontrol eden optimizasyon yaklaşimlarini açıklamak amaciyla gösterilecektir(Gad et al., 2024).

Ucan Arac IoT Sistemlerinde Iletisim Verimli Federatif Öğrenme Optimizasyonu

Araştırma sorusu: Kaynak kisitli UAV-IoT aglarinda knowledge distillation destekli federatif öğrenme yaklaşimlari iletisim maliyetini nasıl dusurmektedir?
Yöntem taslağı: Simulasyon ortami üzerinden farklı ucus ve trafik senaryolari tasarlanarak; veri toplama süreçi ag simulatorleri aracıligiylagerceklestirilecek ve model guncelleme parametreleri karşılaştırmali istatistiksel testlerle değerlendirilecektir.

Makaleyle bağlantısı: Yazarin gelecek araştırma çağrısinda yer alan düşük kaynakli cihazlar için hafif siklet modeller geliştirilmesi önerisinden doğrudan kaynaklanmaktadir(Gad et al., 2024).

Tez veya makalede kullanım · Tartışma

Scaffold algoritmasi bagimsiz ve ozdes dagilimli senaryolarda istatistiksel kararlilik sağlamaktadir.

Tartisma bolumunde farklı federatif öğrenme algoritmalarinin esit dagilimli ortamlardaki basari sonuçlarını karşılaştırmak için kullanılacaktir(Gad et al., 2024).

Akilli Sebekelerde Guvenli ve Gizlilik Korumali Federatif Enerji Hirsizligi Tespiti

Araştırma sorusu: Akilli sebeke tuketim verilerinde veri gizliligini ihlal etmeden gerceklestirilen federatif öğrenme eğitimi saldiri tespiti doğrulugunu nasıl etkiler?
Yöntem taslağı: Akilli sebeke veri setleri kullanılarak, veri doygunlugu sağlanana kadar örneklem genisletilecek; veri toplama adiminda ölçum cihazlarinin yerel loglari alinacak ve siniflandirma basarisi doğruluk ve F1-skoru metrikleriyle analiz edilecektir.

Makaleyle bağlantısı: Makalede ele alinan merkezi olmayan öğrenme mimarilerinin guvenlik ve gizlilik sağlama islevinden ve ilgili atiflardan türetilmistir(Gad et al., 2024).