EdgeDetect: Importance-Aware Gradient Compression with Homomorphic Aggregation for Federated Intrusion Detection

Resumen Técnico: EdgeDetect

1. El Problema

El aprendizaje federado (FL) permite la colaboración en la detección de intrusiones sin compartir datos crudos, lo cual es vital para la privacidad en entornos IoT y 6G. Sin embargo, las implementaciones convencionales de FL enfrentan dos desafíos críticos en estos entornos:

• Sobrecarga de Comunicación: La transmisión de vectores de gradiente de alta precisión (full-precision) desde miles de dispositivos periféricos consume un ancho de banda excesivo, lo cual es inviable en redes con restricciones de recursos como el 6G-IoT.
• Vulnerabilidades de Privacidad: Los modelos de FL son susceptibles a ataques de inferencia de gradientes, donde un servidor "curioso pero honesto" (honest-but-curious) o un adversario puede reconstruir datos sensibles de entrenamiento a partir de las actualizaciones del modelo compartidas.

2. Metodología Propuesta: EdgeDetect

EdgeDetect es un marco de trabajo de detección de intrusiones (IDS) federado diseñado para entornos 6G-IoT. Integra tres componentes principales para equilibrar la eficiencia, la privacidad y la precisión:

• A. "Gradient Smartification" (Binarización Adaptativa):

  • En lugar de usar umbrales fijos (como en signSGD), EdgeDetect utiliza una binarización basada en la mediana estadística.
  • Para cada cliente, se calcula la mediana de los valores absolutos de su vector de gradiente local ($\theta_i = \text{median}(|\Delta_i|)$).
  • Los gradientes se comprimen a representaciones binarias $\{+1, -1\}$: si un gradiente es mayor o igual a la mediana, se asigna $+1$, de lo contrario $-1$.
  • Ventaja: Este método es adaptativo a la distribución de datos de cada cliente, preserva la alineación direccional del gradiente (similitud de coseno $\approx 0.87$) y reduce la carga de datos en un 32x (de 450 MB a 14 MB por ronda).

• B. Agregación con Cifrado Homomórfico (Paillier):

  • Los gradientes binarizados se cifran utilizando el esquema de cifrado homomórfico Paillier antes de enviarse al servidor.
  • El servidor realiza la agregación (suma) directamente sobre los datos cifrados. Solo se revela el resultado agregado global, nunca las actualizaciones individuales de los clientes.
  • Esto protege contra ataques de inversión de gradientes y garantiza la confidencialidad frente a servidores curiosos.

• C. Preprocesamiento y Modelado:

  • Reducción de Dimensionalidad: Se aplica PCA incremental para reducir las características de 78 a 35 componentes principales, reteniendo el 99.3% de la varianza.
  • Balanceo de Clases: Se utiliza SMOTE (Synthetic Minority Over-sampling Technique) adaptativa para abordar el desequilibrio severo entre tráfico benigno y ataques.
  • Modelo: Se evalúan varios algoritmos, destacando Random Forest como el modelo más robusto y eficiente para este escenario.

3. Contribuciones Clave

1. Arquitectura Federada Sensible a la Privacidad: Un diseño unificado que integra reducción de dimensionalidad, muestreo consciente del desequilibrio y agregación segura, permitiendo el aprendizaje colaborativo sin compartir tráfico de red crudo.
2. Estrategia de "Smartification" Adaptativa: Una nueva técnica de binarización que supera a los métodos de umbral fijo al adaptarse a distribuciones de gradientes con colas pesadas (típicas en datos de intrusiones), mejorando la estabilidad de la convergencia.
3. Compromiso Cuantificado Privacidad-Utilidad-Eficiencia: Demostración de que es posible lograr una reducción de comunicación del 96.9% y protección criptográfica fuerte sin sacrificar la precisión de detección.
4. Validación en el Borde (Edge): Implementación y prueba real en dispositivos Raspberry Pi 4, demostrando la viabilidad en hardware con recursos limitados.

4. Resultados Experimentales

Los experimentos se realizaron utilizando el dataset CIC-IDS2017 (2.8 millones de flujos, 7 clases de ataque).

• Precisión y Rendimiento:
  • Logró una precisión multi-clase del 98.0% y un F1-score macro del 97.9%, igualando el rendimiento de los modelos centralizados.
  • En escenarios de ataque de envenenamiento (5% de clientes maliciosos) y desequilibrio severo, mantuvo una precisión del 87% y un F1 de 0.95 para clases minoritarias.
• Eficiencia de Comunicación:
  • Reducción de la carga de datos por ronda de 450 MB a 14 MB (32x de compresión).
  • Reducción total del ancho de banda necesario para alcanzar el 98% de precisión en un 96.9%.
• Privacidad:
  • Resistencia a la inversión de gradientes: El PSNR (Peak Signal-to-Noise Ratio) de la reconstrucción de datos cayó de 31.7 dB (sin protección) a 15.1 dB (con EdgeDetect), haciendo que la recuperación de etiquetas sea cercana al azar (14.3%).
• Despliegue en el Borde:
  • En Raspberry Pi 4: Consumo de memoria de 4.2 MB, latencia de 0.8 ms por inferencia y consumo energético de 12 mJ, con una degradación de precisión menor al 0.5%.

5. Significado e Impacto

El trabajo de EdgeDetect es significativo porque establece un nuevo estándar para la detección de intrusiones federada en redes de próxima generación (6G-IoT).

• Viabilidad Práctica: Demuestra que la seguridad criptográfica y la compresión extrema de datos no son mutuamente excluyentes con el alto rendimiento en dispositivos de borde con recursos limitados.
• Resiliencia: Ofrece una solución robusta frente a la heterogeneidad de los datos (distribuciones no-IID) y ataques maliciosos, un problema común en entornos IoT reales.
• Equilibrio Óptimo: Proporciona un marco de referencia para el compromiso entre privacidad, eficiencia de comunicación y utilidad del modelo, permitiendo la implementación segura de IDS colaborativos a gran escala sin comprometer la privacidad de los usuarios ni saturar la red.

En conclusión, EdgeDetect valida que es posible construir sistemas de seguridad cibernética colaborativos, privados y altamente eficientes para el futuro de las redes inteligentes.