基于联邦机器学习方法的集成模糊信任管理机制，用于提升物联网网络中的入侵检测能力

《Internet of Things》：Integrated Fuzzy Trust Management with Federated Machine Learning Approaches for Enhancing Intrusion Detection in IoT Networks

　　索赫拉布·汗|罗森林·罗|马拉克·阿比德·阿里·汗|穆德·明纳祖尔·伊斯兰·蒙纳|迈克尔·彼得·马塞勒|拉贾·西坎德尔·扎曼|沙哈里亚·阿尔·沙基尔中国北京市北京工业大学信息系统与安全及对策实验中心，邮编100081摘要随着物联网的不断发展，我们的环境逐渐由大量相互连接的设备构成的庞大网络所组成，这些设备会产生海量数据。这些智能设备提高了效率，提升了人类生活品质；然而，它们的多样性和规模在可信度与安全性方面带来了巨大挑战。传统的安全解决方案往往难以应对物联网系统中动态且复杂的威胁环境。为了解决这些问题，我们提出了一种新的框架，该框架整合了模糊信任管理、合成少数类过采样技术以及联邦支持向量机模型。模糊信任管理通过考虑设备行为、网络活动及声誉等多重因素，能够准确评估信任度，从而为应对不断变化的威胁提供灵活性。联邦支持向量机则允许分布式设备在不共享原始数据的情况下协同训练模型，这样既降低了计算负担，又保护了隐私。这种协作策略确保了即使是资源有限的物联网设备也能从网络的集体知识中受益。大量的实验评估证明了各种联邦学习模型的有效性。相比之下，所提出的联邦支持向量机框架的表现显著优于这些模型，在二分类（良性节点与恶意节点）任务中实现了99.03%的准确率，在多类攻击检测任务中达到了91.30%的准确率，这凸显了其与联邦随机森林和联邦决策树相比的强大性能和更优的学习能力。它能有效抵御僵尸网络、勒索软件以及网络嗅探等威胁，适用于异构物联网环境。此外，该框架还能将计算能耗降低约80%，显示出其在实现可持续物联网安全方面的适用性。引言物联网是一种发展迅速的技术范式，它通过集成传感器和网络将各类设备连接起来，从而提升日常生活质量并改善生活标准。它便于连接配备传感器的设备，实现无缝的数据收集与传输。此外，其能与内部和外部环境互动，有助于决策制定。物联网将智能设备融入家庭和城市，构建了一个全面的信息系统。然而，要充分发挥其潜力，解决安全问题至关重要。确保物联网系统的安全是一个持续存在的挑战，研究人员和实践者一直在不断探索能够适应不断变化的威胁，同时保障物联网数据和服务可用性、完整性及保密性的解决方案。不同的机器学习模型被用于抵御不同类型的恶意攻击，保护数据隐私，建立信任管理机制，支持联邦学习，还有助于应用区块链技术来提升物联网安全。此外，它还能改进物联网设备的身份认证，实现自适应安全防护，确保遵守法律法规标准，促进行业间的合作。这一策略旨在打造一种全面且灵活的安全解决方案，以应对保护物联网网络所面临的特定难题，增强网络用户信心，保障物联网数据和服务的长期可用性与完整性。同时，它还鼓励各方遵守法律法规标准。我们提出了一种基于联邦支持向量机、SMOTE和模糊信任管理的新型混合模型（FTS-FedSVM），用以保障物联网网络安全，增强网络用户之间的信任。该方法通过直接信任、间接信任和相互信任技术来计算每个节点的可信度。用于评估信任度的参数包括可信度、推荐度和稳健性。根据这些参数，每个节点都会被赋予一个信任度，进而有助于为物联网设备构建安全的架构。最终会通过共识方法或信任值的加权平均来生成一个统一的信任评级。之后，联邦支持向量机模型会将物联网节点分类为恶意节点或良性节点，以便识别潜在的安全威胁。这一智能系统有助于更轻松地自动识别和应对物联网网络中的多种攻击。所提出的物联网网络安全机制将SVM联邦学习与可信管理相结合，旨在通过应对不同的风险、建立人与设备之间的信任以及采用聚合可信方法来提升安全性。这种安全方法有助于更快地适应不断变化的威胁环境，同时避免违反法律法规要求。它还有助于推动行业间采用标准化的安全实践和标准，从而实现物联网端到端的安全保障。从更高层次来看，其目标是解决物联网网络中的安全问题，提高数十亿连接设备的数据准确性。正如下图所示的六层物联网网络架构，这将有助于更好地理解任何系统，从而为各种项目提供清晰简洁的解决方案。1. 设备层：处于架构核心的设备层展示了各类物联网设备和传感器。每种类型的设备都有明确的标识，便于识别。2. 通信与中间件层：该层通过箭头和标签来表示通信协议，从而连接各个设备。它结合了通信功能和中间件功能，边缘计算硬件和网关就是中间件组件的示例。3. 应用层：应用层保持原有的结构，其中托管着仪表板、移动应用和网页界面等用户界面组件。这些界面与中间件层和通信层进行交互。4. 数据处理与分析层：通过将数据处理和分析活动整合到同一层，可以清楚地看到它们在处理和评估来自物联网设备的数据方面所发挥的关键作用。分析引擎、机器学习组件和数据处理工具的图标代表了相应的处理能力。5. 物联网平台与安全层：该层将物联网平台层与安全和隐私层合并在一起，负责处理设备和数据的核心管理功能。锁和盾牌之类的图标体现了集成的安全措施和功能。6. 云/服务器与业务层：这一统一层将云/服务器层与业务层结合起来，涵盖了云服务器和数据中心。它展示了数据存储、计算能力以及业务流程的整合情况。这种简化的六层物联网架构简化了系统设计，使其更易于理解和针对不同项目进行定制。然而，实施和管理物联网网络面临着诸多挑战，如安全、隐私、可扩展性、合规性以及人为因素等。要有效应对这些挑战，就需要制定全面的策略，包括采取强大的安全措施、精心规划以及让相关方参与其中。本文旨在提出一种全面的物联网网络安全模型，通过创新的方法来提升信任度、增强威胁检测能力并确保合规性。主要目标包括解决安全问题以及促进相关方的参与。1. 在利用物联网的变革潜力的同时，解决其快速发展所带来的关键安全与可信度问题。2. 构建一个真实的物联网信任管理数据集，涵盖针对物联网设备的各类攻击。3. 开发一种利用模糊逻辑来管理物联网设备中信任不确定性的系统，同时运用SMOTE技术对数据集进行平衡处理，从而为建立和维护信任提供更好的决策支持。4. 将模糊信任管理与混合联邦SVM学习模型相结合，通过协同学习和威胁检测来提升物联网设备的安全性。5. 由于采用了轻量级的信任机制，我们的FTS-FedSVM模型相比其他方法需要更少的计算资源，同时还能做出更准确的决策。本文的其余部分结构如下：第二部分介绍了所提出方法的核心概念，并对现有的物联网网络安全研究进行了详细综述。第三部分详细描述了混合联邦SVM、随机森林和决策树模型，涵盖了它们的设计、训练方法以及在入侵检测中的应用。同时还阐述了信任管理机制、模糊逻辑在处理不确定性中的作用，以及SMOTE技术在数据平衡中的应用。第四部分介绍了用于保障物联网环境安全的模拟框架，强调了信任管理在安全架构中的整合方式，并通过一个实际案例展示了其有效性。同时，还将所提出的方法与其他现有方法进行了比较。最后，第五部分总结了FTS-FedSVM方法的主要贡献，指出了具有前景的研究方向，并作出了结论。文献综述当前技术的发展呈现出多个领域相互交叉的特点，由此产生了新的方法论同时也带来了诸多挑战。近年来，作为一种去中心化的机器学习方法，联邦学习在各种应用领域展现出了巨大潜力，因此受到了广泛关注。本文献综述重点介绍了其中的一些研究，每项研究都从不同角度反映了这一领域的发展状况。在2022年的一项研究中，有一种基于联邦学习的方法方法论所提出的方法旨在通过有效的信任管理手段来增强物联网设备的安全性。它通过评估推荐度、可信度和稳健性等多个参数来确定每个物联网设备的信任等级。整体信任值是通过综合这些参数——可信度、推荐度和稳健度——计算得出的，而模糊逻辑则有助于在此过程中降低不确定性。为确保数据分布均衡，在使用相关模型之前会应用SMOTE技术。实验设置与结果讨论通过Jupyter Notebook进行仿真，对基于信任的物联网安全框架进行了评估。系统地分析了其在处理任务以及抵御潜在攻击方面的表现。信任管理方法用于检测恶意节点的存在，而机器学习算法则用于识别这些节点。仿真是在一台配备Core i9处理器、1TB固态硬盘和16GB内存的电脑上进行的。仿真结果的分析则借助了Keras和TensorFlow工具。结论物联网设备的迅猛增长带来了巨大的创新机遇，但同时也给确保安全、可持续的运行带来了严峻挑战。在本研究中，我们提出了FTS-FedSVM这一新型框架，它结合了模糊信任管理、基于SMOTE的数据平衡技术以及联邦支持向量机学习方法，从而全面应对这些挑战。通过运用模糊信任机制，该模型能够智能地适应不同设备的行为特征。数据可用性作者们没有权限分享相关数据。未引用的参考内容表9、表12、算法1。CRediT作者贡献声明索赫拉布·汗：写作——审阅与编辑，写作——初稿撰写，可视化，验证，软件开发，方法论，研究调查，形式化分析，数据整理，概念构建。罗森林·罗：可视化，验证，监督，方法论，研究调查，形式化分析，概念构建。马拉克·阿比德·阿里·汗：可视化，监督，资源协调，项目管理，方法论，形式化分析，数据整理，概念构建。穆德·明纳祖尔·伊斯兰·蒙纳：写作——审阅与编辑，利益冲突声明作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：罗森林·罗表示与北京工业大学存在非财务支持方面的关系。作者们声明自己不存在任何已知的可能影响本文所述工作的财务利益或个人关系。如果有其他作者，他们也声明自己不存在此类利益冲突。