Reducing Communication Overhead in Federated Learning for Network Anomaly Detection with Adaptive Client Selection

要約

連邦学習（FL）の通信オーバーヘッドは、多様なクライアント構成とネットワーク条件が効率と検出の精度に影響を与えるネットワーク異常検出システムに大きな課題をもたらします。
既存のアプローチは個別に最適化を試みますが、オーバーヘッドとパフォーマンスのバランスをとるのに苦労しています。
このペーパーでは、バッチサイズの最適化、クライアントの選択、および効率的な異常検出のための非同期更新を組み合わせたAdaptive FLフレームワークを紹介します。
UNSW-NB15を一般的なネットワークトラフィックと自動車ネットワーク用の道路に使用すると、当社のフレームワークは、同等の精度（95.10％対95.12％）を維持しながら、通信オーバーヘッドを97.6％（700.0〜16.8s）削減します。
Mann-Whitney Uテストは、大幅な改善を確認しています（P <0.05）。 プロファイリング分析により、GPUの操作とメモリ転送の減少により効率の向上が明らかになり、さまざまなクライアント条件全体で堅牢な検出が確保されます。

要約(オリジナル)

Communication overhead in federated learning (FL) poses a significant challenge for network anomaly detection systems, where diverse client configurations and network conditions impact efficiency and detection accuracy. Existing approaches attempt optimization individually but struggle to balance reduced overhead with performance. This paper presents an adaptive FL framework combining batch size optimization, client selection, and asynchronous updates for efficient anomaly detection. Using UNSW-NB15 for general network traffic and ROAD for automotive networks, our framework reduces communication overhead by 97.6% (700.0s to 16.8s) while maintaining comparable accuracy (95.10% vs. 95.12%). The Mann-Whitney U test confirms significant improvements (p < 0.05). Profiling analysis reveals efficiency gains via reduced GPU operations and memory transfers, ensuring robust detection across varying client conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google