Distributed Federated Learning for Vehicular Network Security: Anomaly Detection Benefits and Multi-Domain Attack Threats

要約

接続された自動運転車および自律型車両では、安全なメッセージ分類のための機械学習が悪意のあるまたは異常な挙動を検出するために重要になっています。
ただし、大規模、高可動性、および車両間ネットワークに固有の不均一なデータ分布により、集中化されたデータ収集または純粋にローカルなトレーニングに依存している従来のアプローチは、顔の制限です。
これらの課題を克服するために、このペーパーでは、分散型フェデレーションラーニング（DFL）を探索します。これにより、1ホップの隣人間でモデルの更新を交換し、複数のホップでモデルを伝播することにより、車両がディープラーニングモデルを協力して協力して訓練します。
車両の参照Misbehavior（Veremi）拡張データセットを使用して、DFLがローカルデータで厳密に学習することと比較して、すべての車両の分類精度を大幅に改善できることを示します。
特に、個人の精度が低い車両は、DFLを通じてかなりの精度の向上を見て、ネットワーク全体で知識共有の利点を示しています。
さらに、ローカルトレーニングデータサイズと時変ネットワーク接続がモデルの全体的な精度と強く相関することを示します。
DFLの回復力と脆弱性を複数のドメインで攻撃していること、つまりワイヤレス妨害およびトレーニングデータ中毒攻撃を調査します。
私たちの結果は、マルチドメイン攻撃に直面したときのDFLの脆弱性に関する重要な洞察を明らかにし、車両ネットワークでDFLを保護するためのより強力な戦略の必要性を強調しています。

要約(オリジナル)

In connected and autonomous vehicles, machine learning for safety message classification has become critical for detecting malicious or anomalous behavior. However, conventional approaches that rely on centralized data collection or purely local training face limitations due to the large scale, high mobility, and heterogeneous data distributions inherent in inter-vehicle networks. To overcome these challenges, this paper explores Distributed Federated Learning (DFL), whereby vehicles collaboratively train deep learning models by exchanging model updates among one-hop neighbors and propagating models over multiple hops. Using the Vehicular Reference Misbehavior (VeReMi) Extension Dataset, we show that DFL can significantly improve classification accuracy across all vehicles compared to learning strictly with local data. Notably, vehicles with low individual accuracy see substantial accuracy gains through DFL, illustrating the benefit of knowledge sharing across the network. We further show that local training data size and time-varying network connectivity correlate strongly with the model’s overall accuracy. We investigate DFL’s resilience and vulnerabilities under attacks in multiple domains, namely wireless jamming and training data poisoning attacks. Our results reveal important insights into the vulnerabilities of DFL when confronted with multi-domain attacks, underlining the need for more robust strategies to secure DFL in vehicular networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google