💻 computer science

TITAN: Three-Tier Intrusion-Detection Tree-Based Adaptive Network for Industrial Internet of Things

TITAN est une nouvelle architecture d'apprentissage fédéré à trois niveaux pour la détection d'intrusions dans l'Internet des Objets Industriels qui surmonte les défis des données non-IID et du déséquilibre des classes en n'échangeant que les sorties de prédiction et les résumés de dispositifs via une distillation de connaissances adaptative et une agrégation bayésienne, atteignant une performance macro-F1 supérieure aux méthodes existantes sans nécessiter le partage de données brutes ou de gradients.

Auteurs originaux : Sandeep Ghosh, Mohammed Al-Khafajiy, Saeid Pourroostaei Ardakani Ardakani

Publié 2026-07-09

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sandeep Ghosh, Mohammed Al-Khafajiy, Saeid Pourroostaei Ardakani Ardakani

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un complexe industriel massif et hautement sécurisé (comme une usine intelligente ou un réseau électrique) rempli de milliers d'appareils différents : caméras, capteurs, serrures intelligentes et robots. Chaque appareil surveille constamment les tentatives d'intrusion des hackers.

Le problème est qu'aucun appareil ne voit l'ensemble du tableau. Une caméra pourrait ne voir que les attaques par « DoS » (inondation du réseau), tandis qu'un capteur ne verrait que les attaques par « force brute » sur les mots de passe. De plus, les attaquants sont rares ; 9 9 % du trafic est normal et les attaques ne sont que de minuscules aiguilles dans une botte de foin.

Si vous essayez de construire un « super-cerveau » géant en envoyant toutes les données brutes vers un serveur central, vous vous heurteriez à deux obstacles :

Confidentialité : Vous ne pouvez pas envoyer de données privées hors de l'usine.
Biais : Si vous vous contentez de faire la moyenne des opinions de tous les appareils, le « super-cerveau » ignorera les attaques rares car le trafic « normal » les étouffera.

TITAN est un nouveau système conçu pour résoudre cela. Voyez-le comme une agence de détectives à trois niveaux qui résout des crimes sans jamais partager les photos de la scène de crime.

Les trois niveaux (L'agence de détectives)

Niveau 1 : Les détectives locaux (Les appareils)
Chaque appareil entraîne son propre « détective » (un modèle d'IA spécialisé) en utilisant uniquement ses propres données locales.

Le défi : Comme un appareil n'observe que quelques types d'attaques, son détective peut être un expert pour repérer le « DoS » mais être totalement aveugle face à la « force brute ».
La solution : TITAN utilise une routine d'entraînement spéciale. Il force le détective local à accorder une attention particulière aux indices rares qu'il voit effectivement, et il donne même au détective un petit « indice » sur les types de crimes qu'il n'a pas encore vus, afin qu'il n'oublie pas leur existence.
Le résultat : L'appareil n'envoie pas ses données brutes ni la structure interne de son cerveau. Il envoie seulement un bulletin de notes : « Je pense qu'il y a 90 % de chances que ce soit une attaque DoS, 5 % de force brute et 5 % de trafic normal. »

Niveau 2 : Les directeurs régionaux (Les serveurs de bord/Edge)
Ces directeurs se situent entre les appareils et le siège central. Ils collectent les « bulletins de notes » d'un groupe d'appareils.

Le défi : Si vous faites simplement la moyenne des rapports, vous perdez l'expertise spécialisée.
La solution : Le directeur agit comme un éditeur intelligent. Il apprend quels appareils sont experts dans quels domaines. Si l'appareil A est excellent pour repérer le « DoS » mais que l'appareil B est excellent pour la « force brute », le directeur pondère leurs opinions en conséquence. Il utilise une technique de « distillation de connaissances », qui est comparable à un détective senior enseignant à un junior comment interpréter les indices sans révéler la scène de crime originale.
Le résultat : Un rapport de synthèse régional raffiné.

Niveau 3 : Le chef mondial (Le serveur central)
Le Chef reçoit les rapports de tous les Directeurs Régionaux.

Le défi : Les directeurs peuvent être en désaccord. L'un dit « C'est un DoS », l'autre dit « C'est Normal ».
La solution : TITAN utilise une approche bayésienne de « Produit d'Experts ». Imaginez un jury. Si un expert dit : « Je suis sûr à 100 % que ce n'est pas une attaque par force brute », le Chef l'écoute. Mais si un expert n'a jamais vu d'attaque par force brute auparavant, le Chef ignore son opinion sur ce sujet spécifique (silenciant ainsi le « veto » d'un expert non informé).
L'équipe de secours : Si une attaque rare est si peu fréquente qu'aucune région ne peut en être sûre, un « panel d'experts » spécial (les 5 meilleurs appareils ayant déjà vu ce type d'attaque spécifique) est appelé pour voter.
Le calibrage : Enfin, le Chef fait passer le verdict final à travers un « filtre de vérité ». Cela garantit que le système ne se contente pas de deviner ; il s'assure que lorsqu'il dit « 9 de chances sur 10 », cela signifie réellement 90 %. Cela est crucial pour que l'usine ne soit pas inondée de fausses alertes.

Pourquoi TITAN est-il meilleur ?

Le papier a testé TITAN contre la méthode standard (appelée FedAvg, qui est comme une simple « moyenne de toutes les opinions »).

Le résultat : TITAN était nettement meilleur pour détecter les attaques rares et dangereuses.
L'analogie : Si FedAvg est comme demander à 20 personnes de deviner la réponse à une question de culture générale et de prendre la moyenne, TITAN est comme demander à 20 spécialistes, les laisser débattre, puis avoir un juge qui pèse leurs réponses en fonction de leur expertise réelle sur ce sujet précis.
Les chiffres : TITAN a amélioré la détection des attaques rares de 6,2 % en moyenne, et jusqu'à 23,3 % dans les scénarios les plus difficiles et chaotiques. Il a même surpassé un « oracle parfait » (un système hypothétique qui connaît la performance du meilleur appareil individuel) dans la plupart des cas.

L'essentiel

TITAN est un système qui permet aux appareils industriels de collaborer pour repérer les hackers sans partager de données privées. Il résout le problème des « attaques rares » en les traitant comme un problème de calibrage et en utilisant un système de vote intelligent à trois couches qui respecte l'expertise unique de chaque appareil. Il ne s'agit pas seulement de faire la moyenne des opinions ; il s'agit de savoir à qui faire confiance pour quel type de menace spécifique.

Résumé Technique : TITAN – Réseau Adaptatif à Trois Niveaux pour la Détection d'Intrusion par Arbres

1. Énoncé du Problème

L'article traite de deux défis critiques et cumulatifs dans l'apprentissage fédéré (Federated Learning - FL) pour la détection d'intrusions dans l'Internet des Objets Industriels (IIoT) :

Partitionnement Non-IID Sévère : Dans les environnements IIoT, les dispositifs individuels observent des segments disjoints du trafic d'attaque. Des classes d'attaques entières peuvent être absentes de certains dispositifs, violant ainsi l'hypothèse de distribution indépendante et identiquement distribuée (IID) sur laquelle repose le FL standard.
Déséquilibre de Classe Extrême : Les classes d'attaques opérationnelles (ex: attaques web, force brute) sont souvent rares, représentant moins de 0,1 % des échantillons, tandis que les flux dominants (DoS/DDoS) peuvent dépasser 94 %.

Les solutions existantes ne parviennent pas à traiter l'intersection de ces problèmes. Les méthodes basées sur l'espace des paramètres (ex: FedAvg, FedProx) supposent des modèles différentiables (réseaux de neurones), excluant les apprenants basés sur des arbres comme LightGBM, qui sont pourtant très performants sur les données tabulaires de flux. De plus, ces méthodes moyennent souvent les poids de manière à diluer l'expertise des classes minoritaires, menant à des modèles globaux mal calibrés qui sacrifient le rappel au profit de la précision des classes majoritaires. Les méthodes au niveau de la prédiction nécessitent souvent un jeu de données public partagé pour la distillation de connaissances, ce qui entre en conflit avec les réglementations de minimisation des données et de résidence des données de l'IIoT.

2. Méthodologie : L'Architecture TITAN

TITAN (Three-Tier Intrusion-Detection Tree-Based Adaptive Network) est une architecture fédérée hiérarchique qui échange uniquement les sorties de prédiction et de petits résumés statistiques, sans jamais échanger de données brutes, de gradients ou de paramètres de modèle. Elle est spécifiquement conçue pour les apprenants basés sur des arbres non différentiables.

Niveau 1 : Entraînement au Niveau du Dispositif

Chaque dispositif ( $D=20$ ) entraîne un classificateur LightGBM indépendant sur ses données locales Non-IID via un programme de boosting adaptatif en quatre phases :

Phase 1 (Base Équilibrée) : Entraînement avec des poids équilibrés par classe.
Phase 2 (Raffinement des Échantillons Difficiles) : Utilise un exposant de perte focale (focal loss) adaptatif dérivé des scores F1 de la Phase 1 pour se concentrer sur les échantillons difficiles sans écraser les frontières des classes majoritaires.
Phase 3 (Rééquilibrage par Classe) : Rééquilibre conditionnellement les classes ayant de faibles scores F1, à condition qu'elles respectent un seuil minimal de nombre d'échantillons pour éviter le surapprentissage sur des cas isolés.
Phase 4 (Enrichissement des Minorités) : Sous-échantillonne la classe dominante par rapport à la deuxième classe la plus importante tout en conservant tous les échantillons minoritaires, permettant au modèle de former des nœuds de feuilles pour les classes rares.

Après l'entraînement RAW, un modèle META est entraîné à l'aide d'une conception hors-repli (Out-of-Fold - OOF). Il prend les prédictions du modèle RAW sur une partition réservée comme caractéristiques d'entrée. Cela évite le problème du « enseignant dégénéré » où un modèle prédit de manière quasi parfaite sur ses propres données d'entraînement. Le dispositif communique uniquement ces vecteurs de probabilité META (sorties à $K$ classes) et de petits résumés de labels vers l'edge.

Niveau 2 : Ensemble par Distillation de Connaissances au Niveau de l'Edge

Les dispositifs sont regroupés en clusters d'edge ( $E=5$ ). Chaque edge entraîne un ensemble LightGBM qui apprend à faire confiance à des dispositifs spécifiques pour des classes spécifiques.

Distillation de Connaissance Adaptative (KD) : L'edge utilise un enseignant OOF auto-contenu à $k$ -plis, construit à partir des sorties META des dispositifs membres de son propre cluster, pour générer des étiquettes "soft".
Mécanismes de Porte (Gating) : Pour empêcher des enseignants peu fiables de corrompre l'étudiant, quatre portes multiplicatives modulent le signal de KD :
1. Porte d'Entropie : Supprime la KD si l'enseignant est trop confiant (proche du one-hot).
2. Porte de Support : Désactive la KD pour les classes absentes des labels locaux de l'edge.
3. Porte de Rappel : Met à l'échelle la KD en fonction du rappel par classe de l'enseignant.
4. Porte de Fréquence de Classe : Empêche le biais de la majorité de diluer l'apprentissage des classes minoritaires.
Agrégation : Lors de l'évaluation, l'edge agrège les sorties des dispositifs en utilisant des poids d'expertise statiques (basés sur le nombre d'échantillons d'entraînement) et des poids de confiance dynamiques.

Niveau 3 : Fusion Bayésienne Globale

Le niveau global fusionne les prédictions des cinq edges en utilisant un cadre de Produit d'Experts (PoE) Bayésien.

Masquage de l'Expertise : Un masque d'expertise par classe ( $m_{e,k}$ ) neutralise les edges qui manquent de support d'entraînement pour une classe spécifique, empêchant des experts non informés de porter des veto "confiants proches de zéro" qui supprimeraient les classes rares.
Sauvetage des Classes Rares (Panel d'Experts) : Si la fusion bayésienne ne parvient pas à assigner une probabilité majoritaire à une classe rare (ou si la classe est globalement rare), un "Panel d'Experts" composé des 5 meilleurs dispositifs (classés par expertise locale) vote pour sauver le signal.
Calibration à Porte de Sécurité : Un pipeline de calibration en trois étapes affine les probabilités finales :
1. Mise à l'échelle de la température (Temperature Scaling).
2. Mélange par méta-apprenant (empilement des sorties des edges).
3. Ajustement du biais de log-odds par classe.
  Crucialement, chaque étape est dotée d'une "porte de sécurité" basée sur le macro-F1 ; si une étape n'améliore pas le macro-F1, le système revient à la valeur précédente.

3. Contributions Clés

Fédération au Niveau de la Prédiction pour les Apprenants Basés sur des Arbres : TITAN permet l'apprentissage fédéré de LightGBM sans jeu de données public partagé. Il remplace la moyenne des paramètres par un échange dans l'espace des prédictions, utilisant un enseignant OOF pour générer des cibles "soft" localement, respectant ainsi les règles de minimisation des données.
Porte d'Expertise par Classe : L'architecture introduit un masque d'expertise par (edge, classe) dans la couche de fusion bayésienne. Cela permet de neutraliser les experts non informés sur des classes spécifiques, un mécanisme nécessaire dans les fédérations où des classes entières sont absentes de certaines partitions.
Calibration Multi-étapes à Porte de Sécurité : Contrairement aux travaux antérieurs qui optimisent la calibration (comme l'ECE) de manière isolée, TITAN intègre la calibration dans le pipeline fédéré avec une porte de sécurité pilotée par le macro-F1. Cela garantit que les ajustements de calibration ne dégradent pas la détection des classes minoritaires.
Protocole d'Évaluation Rigoureux : L'article établit un protocole reproductible à travers 16 configurations (4 jeux de données $\times$ 2 niveaux de sévérité Non-IID $\times$ 2 stratégies de groupement) avec une déduplication stricte au niveau des lignes pour éviter l'inflation de la précision.

4. Résultats Expérimentaux

Évalué sur quatre benchmarks IoT (CIC IoT-DIAD 2024, CIC IoT 2023, NF-BoT-IoT-V3, NF-ToN-IoT-V3) sous des conditions Non-IID strictes ( $\alpha=0.1$ ) :

Performance vs Baselines : TITAN surpasse FedAvg d'une moyenne de 6,2 points de pourcentage en macro-F1 sur toutes les configurations.
Sévérité Non-IID : L'écart de performance s'élargit avec l'hétérogénéité des données. Sur les partitions les plus hétérogènes, TITAN dépasse FedAvg de 23,3 points de pourcentage.
Comparaison avec l'Oracle : TITAN surpasse l' "Oracle du Meilleur Dispositif" (le meilleur modèle local unique) dans 14 des 16 configurations et dépasse le plafond centralisé dans 11 configurations.
Source du Gain : L'article note que les gains sont principalement tirés par les améliorations de la calibration plutôt que par la puissance de discrimination brute, soulignant l'importance du pipeline de calibration pour gérer le déséquilibre des classes.
Échec des Alternatives : L'étude observe que FedProx ne parvient pas à s'améliorer par rapport à FedAvg sur les apprenants basés sur des arbres et que les évaluations à métrique unique (précision/accuracy) cachent de graves échecs sur les classes minoritaires (le "paradoxe de la précision").

5. Signification et Revendications

L'article affirme que TITAN offre une voie viable pour la détection d'intrusions fédérée dans l'IIoT, là où la résidence des données, le déséquilibre extrême et les distributions Non-IID empêchent l'utilisation des approches standard de FL basées sur la moyenne des paramètres.

Nouveauté Architecturale : C'est le premier IDS fédéré combinant des apprenants basés sur des arbres, l'absence de jeu de données partagé, un masquage d'expertise par classe et une calibration à porte de sécurité basée sur le macro-F1 dans un cadre unique.
Pertinence Opérationnelle : En se concentrant sur le macro-F1 et la calibration, TITAN répond au "sophisme du taux de base" où une haute précision masque l'échec de la détection d'attaques rares mais critiques.
Scalabilité : L'architecture supporte des partitions hétérogènes allant de 28 à plus de 2 millions d'échantillons par dispositif, démontrant une robustesse face à diverses échelles de données.

Les auteurs positionnent TITAN non pas simplement comme une amélioration de performance, mais comme une évolution nécessaire du FL pour les données tabulaires de haute importance dans la sécurité industrielle, où les approches centrées sur les réseaux de neurones sont soit inefficaces sur le plan computationnel, soit statistiquement infondées.