A Life-long Learning Intrusion Detection System for 6G-Enabled IoV

要約

6G テクノロジーを車両のインターネット (IoV) に導入すると、超高速データ レートとシームレスなネットワーク カバレッジによる接続性の革命が期待されます。
ただし、この技術的飛躍は、特に 6G ネットワークの厳しい信頼性とセキュリティ要件を満たす必要がある、動的で多様な IoV 環境にとって、重大な課題ももたらします。
さらに、6G を統合すると、さまざまな新たなサイバー脅威に対する IoV の脆弱性が高まる可能性があります。
したがって、セキュリティ メカニズムにとって、これらの脅威の急速な進化と多様化に合わせて、新しい攻撃パターンを動的に適応して学習することが重要です。これは、既存のシステムには現在欠けている機能です。
この論文では、生涯にわたる (または継続的な) 学習のパラダイムを活用した新しい侵入検知システムを紹介します。
私たちの方法論は、クラス増分学習とフェデレーテッド ラーニングを組み合わせたもので、IoV の分散特性に最適なアプローチです。
この戦略は、コネクテッド自動運転車 (CAV) とエッジ コンピューティング機能の集合的なインテリジェンスを効果的に活用して、検出システムをトレーニングします。
私たちの知る限り、この研究は、サイバー攻撃検出に特化したフェデレーテッド ラーニングとクラス増分学習を相乗させた初めての研究です。
最近のネットワーク トラフィック データセットに関する包括的な実験を通じて、当社のシステムは、以前に遭遇したサイバー攻撃の知識を効果的に保持しながら、新しいサイバー攻撃パターンを学習する際の堅牢な適応性を示しました。
さらに、高い精度と低い誤検知率を維持することが証明されています。

要約(オリジナル)

The introduction of 6G technology into the Internet of Vehicles (IoV) promises to revolutionize connectivity with ultra-high data rates and seamless network coverage. However, this technological leap also brings significant challenges, particularly for the dynamic and diverse IoV landscape, which must meet the rigorous reliability and security requirements of 6G networks. Furthermore, integrating 6G will likely increase the IoV’s susceptibility to a spectrum of emerging cyber threats. Therefore, it is crucial for security mechanisms to dynamically adapt and learn new attack patterns, keeping pace with the rapid evolution and diversification of these threats – a capability currently lacking in existing systems. This paper presents a novel intrusion detection system leveraging the paradigm of life-long (or continual) learning. Our methodology combines class-incremental learning with federated learning, an approach ideally suited to the distributed nature of the IoV. This strategy effectively harnesses the collective intelligence of Connected and Automated Vehicles (CAVs) and edge computing capabilities to train the detection system. To the best of our knowledge, this study is the first to synergize class-incremental learning with federated learning specifically for cyber attack detection. Through comprehensive experiments on a recent network traffic dataset, our system has exhibited a robust adaptability in learning new cyber attack patterns, while effectively retaining knowledge of previously encountered ones. Additionally, it has proven to maintain high accuracy and a low false positive rate.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google