Secure Cluster-Based Hierarchical Federated Learning in Vehicular Networks

要約

階層的統合学習（HFL）は最近、車両ネットワークにおけるインテリジェントな意思決定のための有望なソリューションとして登場し、限られた通信リソース、高い車両移動性、データの不均一性などの課題に対処するのに役立っている。しかし、HFLは、敵対的で信頼性の低い車両に対して脆弱であり、そのような車両による誤解を招く更新は、グローバルモデルの整合性と収束性を著しく損なう可能性がある。これらの課題に対処するために、我々は、特にガウスノイズと勾配上昇攻撃に対抗するように設計されたクラスタベースのHFLアーキテクチャにおいて、動的な車両選択とロバストな異常検知を統合した新しい防御フレームワークを提案する。このフレームワークは、過去の精度、貢献頻度、異常記録を評価することにより、各車両の包括的な信頼性評価を行う。異常検知は、モデル更新のZスコアと余弦類似度分析を組み合わせて、統計的外れ値とモデル更新の方向性の逸脱の両方を識別する。検出をさらに洗練させるために、コサイン類似度メトリックに適応閾値メカニズムが組み込まれ、各車両の過去の精度に基づいて閾値を動的に調整し、常に高いパフォーマンスを示す車両により厳しい基準を課す。さらに、重み付け勾配平均メカニズムが実装され、より信頼できる車両からの勾配更新により高い重みが割り当てられる。協調攻撃を防御するために、複数の危険なクラスタが誤解を招くような更新を協調して行う協調攻撃を識別するために、クラスタ間の整合性チェックが適用される。これらのメカニズムを組み合わせることで、悪意のある寄与を効果的にフィルタリングするためのマルチレベルの防御戦略を形成する。シミュレーションの結果、提案アルゴリズムは1ホップと3ホップの両方のトポロジーにおいて、ベンチマーク手法と比較して収束時間を大幅に短縮することが示された。

要約(オリジナル)

Hierarchical Federated Learning (HFL) has recently emerged as a promising solution for intelligent decision-making in vehicular networks, helping to address challenges such as limited communication resources, high vehicle mobility, and data heterogeneity. However, HFL remains vulnerable to adversarial and unreliable vehicles, whose misleading updates can significantly compromise the integrity and convergence of the global model. To address these challenges, we propose a novel defense framework that integrates dynamic vehicle selection with robust anomaly detection within a cluster-based HFL architecture, specifically designed to counter Gaussian noise and gradient ascent attacks. The framework performs a comprehensive reliability assessment for each vehicle by evaluating historical accuracy, contribution frequency, and anomaly records. Anomaly detection combines Z-score and cosine similarity analyses on model updates to identify both statistical outliers and directional deviations in model updates. To further refine detection, an adaptive thresholding mechanism is incorporated into the cosine similarity metric, dynamically adjusting the threshold based on the historical accuracy of each vehicle to enforce stricter standards for consistently high-performing vehicles. In addition, a weighted gradient averaging mechanism is implemented, which assigns higher weights to gradient updates from more trustworthy vehicles. To defend against coordinated attacks, a cross-cluster consistency check is applied to identify collaborative attacks in which multiple compromised clusters coordinate misleading updates. Together, these mechanisms form a multi-level defense strategy to filter out malicious contributions effectively. Simulation results show that the proposed algorithm significantly reduces convergence time compared to benchmark methods across both 1-hop and 3-hop topologies.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL