Federated Learning for Zero-Day Attack Detection in 5G and Beyond V2X Networks

Abstract

Le déploiement de véhicules connectés et automatisés (CAV) utilisant les réseaux 5G et 5G-B les rend vulnérables à de nouveaux vecteurs d'attaques. Afin de détecter et de mitiger ces attaques, plusieurs systèmes de détection d'intrusions (IDS) basés sur l'apprentissage automatique ont été proposés, dont la grande majorité utilise l'apprentissage profond supervisé. Cependant, la principale limite de ce type de solution est son incapacité à détecter des attaques différentes de celles vues lors de l'apprentissage de l'IDS, ou de nouvelles attaques, également appelées attaques Zero-day. De plus, l'apprentissage du modèle de détection nécessite une collecte et un étiquetage importants des données, ce qui augmente le coût de communication et soulève des problèmes de confidentialité. Afin de pallier ces problèmes, nous proposons dans cet article un nouveau IDS basé sur l'apprentissage fédéré non supervisé préservant la confidentialité, et dont l'apprentissage du système ne nécessite que le trafic réseau légitime. L'expérimentation de la solution proposée sur un jeu de données récent montre que le système proposé présente un taux de détection élevé tout en minimisant le taux de faux positifs et le délai de détection.

FL-IDS: Federated Learning-Based Intrusion Detection System Using Edge Devices for Transportation IoT

“…Plenty of surveys [49]- [51] have provided insight into the current usage of Federated learning in the field of the transportation system. A novel detection mechanism has been developed by [52] that utilizes the capabilities of deep auto-encoder methods to identify attacks based solely on the benign network traffic pattern. The proposed system demonstrates a high detection rate while effectively reducing the false positive rate and detection delay through comprehensive experiments conducted on a recent network traffic dataset.…”