Poisoning Attacks on Federated Learning-based Wireless Traffic Prediction

要約

Federated Learning (FL) は、ローカル ネットワーク データのプライバシーを損なうことなく、複数の基地局にわたってグローバル制御モデルをトレーニングするための分散フレームワークを提供します。
これにより、ネットワーク リソースの最適化、プロアクティブなトラフィック フロー管理の実現、IoT デバイス、自動運転車、ダウンストリームの通信支援アプリケーションの信頼性の向上において重要な役割を果たすワイヤレス トラフィック予測 (WTP) などのアプリケーションに最適です。
産業オートメーションシステム。
その期待にもかかわらず、フロリダ州ベースの分散型無線システムのセキュリティ面、特に回帰ベースの WTP 問題については、依然として十分に調査されていません。
このペーパーでは、最小限の知識で捏造されたトラフィック分布を注入することによって、フロリダ州ベースの WTP システムを弱体化するように設計された、新しい偽トラフィック インジェクション (FTI) 攻撃を紹介します。
さらに、グローバルローカル不一致検出 (GLID) と呼ばれる防御メカニズムを提案します。これは、各次元の統計的手法によって推定された特定のパーセンタイル範囲を超えて逸脱する異常なモデル パラメーターを戦略的に削除します。
現実世界の無線トラフィック データセットに対して実行された広範な実験評価により、当社の攻撃戦略と防御戦略の両方が既存のベースラインを大幅に上回ることが実証されました。

要約(オリジナル)

Federated Learning (FL) offers a distributed framework to train a global control model across multiple base stations without compromising the privacy of their local network data. This makes it ideal for applications like wireless traffic prediction (WTP), which plays a crucial role in optimizing network resources, enabling proactive traffic flow management, and enhancing the reliability of downstream communication-aided applications, such as IoT devices, autonomous vehicles, and industrial automation systems. Despite its promise, the security aspects of FL-based distributed wireless systems, particularly in regression-based WTP problems, remain inadequately investigated. In this paper, we introduce a novel fake traffic injection (FTI) attack, designed to undermine the FL-based WTP system by injecting fabricated traffic distributions with minimal knowledge. We further propose a defense mechanism, termed global-local inconsistency detection (GLID), which strategically removes abnormal model parameters that deviate beyond a specific percentile range estimated through statistical methods in each dimension. Extensive experimental evaluations, performed on real-world wireless traffic datasets, demonstrate that both our attack and defense strategies significantly outperform existing baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google