FedTransKD-IDS: Robust Federated Transfer Learning with Knowledge Distillation for Intrusion Detection in IoT

कल्पना कीजिए कि इंटरनेट एक विशाल, हलचल भरे शहर की तरह है जहाँ अरबों छोटे-छोटे उपकरण—स्मार्ट फ्रिज से लेकर हाई-स्पीड 5G टावरों तक—लगातार एक-दूसरे से बात कर रहे हैं। यह 'इंटरनेट ऑफ थिंग्स' (IoT) है। हालाँकि यह शहर अद्भुत है, लेकिन यह डिजिटल चोरों के लिए भी एक लक्ष्य है जो इसमें घुसने की कोशिश कर रहे हैं। उन्हें रोकने के लिए, हमें "सुरक्षा गार्डों" की आवश्यकता है जिन्हें 'इंट्रूज़न डिटेक्शन सिस्टम' (IDS) कहा जाता है, जो ट्रैफ़िक पर नज़र रखते हैं और बुरे तत्वों का पता लगाते हैं।

पारंपरिक रूप से, ये गार्ड शहर के सभी ट्रैफ़िक डेटा को विश्लेषण के लिए एक विशाल, केंद्रीय पुलिस स्टेशन में भेजने का काम करते थे। लेकिन यह ऐसा है जैसे शहर की हर कार को एक ही गैरेज में फिट करने की कोशिश करना; यह धीमा, महंगा और गोपनीयता का एक बड़ा जोखिम है क्योंकि आपका निजी डेटा उजागर हो जाता है। यहाँ आता है फेडरेटेड लर्निंग (Federated Learning), जो काम करने का एक चतुर नया तरीका है जहाँ सुरक्षा गार्ड अपने स्वयं के मोहल्लों में ही रहते हैं। वे अपने स्थानीय ट्रैफ़िक से सीखते हैं, केवल अपने "सीखे गए सबक" साझा करते हैं (वास्तविक डेटा नहीं), और एक स्मार्ट वैश्विक गार्ड बनाने के लिए उन्हें मिलाते हैं। हालाँकि, इस पद्धति में एक खामी है: यदि मोहल्ले एक-दूसरे से बहुत अलग हैं (कुछ में केवल ट्रक हैं, दूसरों में केवल बाइक), तो गार्ड भ्रमित हो जाते हैं और सिस्टम अस्थिर हो जाता है।

इसे ठीक करने के लिए, शोधकर्ता नॉलेज डिस्टिलेशन (Knowledge Distillation) का भी उपयोग कर रहे हैं, जो एक मास्टर शेफ द्वारा एक सहायक शेफ (sous-chef) को सिखाने जैसा है। मास्टर (एक विशाल, शक्तिशाली कंप्यूटर मॉडल) सब कुछ जानता है, लेकिन वह बहुत भारी है जिसे साथ लेकर चलना मुश्किल है। इसलिए, वह एक छोटे, हल्के छात्र मॉडल को सिखाता है कि कम प्रयास के साथ उतना ही अच्छा खाना कैसे बनाया जाए। यह पेपर, जिसका शीर्षक FedTransKD-IDS है, इन विचारों को जोड़ता है ताकि एक सुपर-स्मार्ट, गोपनीयता-अनुकूल सुरक्षा प्रणाली बनाई जा सके जो तब भी काम करती है जब मोहल्ले बहुत अलग हों और उपकरण कमजोर हों।

---

समस्या: बेमेल मोहल्लों का एक शहर

इस पेपर के लेखकों ने वर्तमान सुरक्षा प्रणालियों में एक बड़ी समस्या देखी। वास्तविक दुनिया में, हर मोहल्ला एक जैसा नहीं होता। कुछ IoT उपकरण बहुत सारा डेटा उत्पन्न करते हैं, जबकि अन्य बहुत कम। कुछ मुख्य रूप से सामान्य ट्रैफ़िक देखते हैं, जबकि अन्य हमलों की चपेट में रहते हैं। जब आप इन सभी अलग-अलग "मोहल्लों" पर एक ही सुरक्षा मॉडल को प्रशिक्षित करने की कोशिश करते हैं, तो सिस्टम भ्रमित हो जाता है। यह एक कक्षा के छात्रों को पढ़ाने जैसा है जहाँ कुछ उन्नत भौतिक विज्ञान पढ़ रहे हैं और अन्य जूते के फीते बांधना सीख रहे हैं; शिक्षक अंततः एक ऐसा पाठ पढ़ाता है जो किसी की भी मदद नहीं कर पाता।

इसके अलावा, नेटवर्क के किनारे (edge) पर मौजूद उपकरण (जैसे आपका स्मार्ट थर्मोस्टेट या कारखाने में लगा सेंसर) अक्सर कमजोर होते हैं। उनके पास विशाल, जटिल सुरक्षा मॉडल चलाने के लिए बैटरी या प्रोसेसिंग पावर नहीं होती है। यदि हम उन पर बहुत अधिक काम करने के लिए मजबूर करते हैं, तो वे क्रैश हो जाते हैं या उनकी बैटरी तुरंत खत्म हो जाती है।

समाधान: स्मार्ट प्रशिक्षुओं की एक टीम

शोधकर्ताओं ने एक नया ढांचा प्रस्तावित किया जिसे FedTransKD-IDS कहा जाता है। इसे एक सुरक्षा बल बनाने की तीन-चरणीय योजना के रूप में समझें जो गोपनीयता-सुरक्षित और अविश्वसनीय रूप से कुशल दोनों है।

चरण 1: मास्टर टीचर (फेडरेटेड ट्रांसफर लर्निंग)
सबसे पहले, उन्होंने एक "मास्टर टीचर" मॉडल को प्रशिक्षित किया। यह मॉडल बड़ा और शक्तिशाली है, जिसे BoT-IoT नामक एक विशाल डेटासेट पर प्रशिक्षित किया गया है (जो बॉटनेट हमलों से भरे शहर का अनुकरण करता है)। यह शिक्षक हमले के पैटर्न को पहचानना जानता है, भले ही उसने उस विशिष्ट हमले को पहले कभी न देखा हो। प्रत्येक स्थानीय उपकरण को सब कुछ शुरू से सीखने के लिए मजबूर करने के बजाय, मास्टर टीचर अपने "मस्तिष्क" को स्थानीय उपकरणों के साथ साझा करता है। लेकिन यहाँ एक ट्रिक है: यह अपना पूरा मस्तिष्क साझा नहीं करता है। यह केवल उस हिस्से को साझा करता है जो विशेषताओं (जैसे एक संदिग्ध पैकेट का आकार) को पहचानता है, जो फ्रीज और लॉक है। यह फेडरेटेड ट्रांसफर लर्निंग वाला हिस्सा है। यह एक शिक्षक द्वारा प्रत्येक छात्र को "क्या देखना है" की एक पहले से भरी हुई पाठ्यपुस्तक देने जैसा है, ताकि उन्हें शून्य से शुरुआत न करनी पड़े।

चरण 2: हल्के प्रशिक्षु (नॉलेज डिस्टिलेशन)
एक बार जब स्थानीय उपकरणों के पास शिक्षक से "विशेषता पहचान" वाला हिस्सा आ जाता है, तो वे अपने स्वयं के छोटे, हल्के "स्टूडेंट" (छात्र) मॉडल बनाते हैं। ये छात्र छोटे और तेज़ होते हैं, जो कमजोर उपकरणों के लिए एकदम सही हैं। यह सुनिश्चित करने के लिए कि वे स्मार्ट बनें, मास्टर टीचर उन्हें केवल सही उत्तर ही नहीं देता; बल्कि वह उन्हें "सॉफ्ट हिंट्स" (कोमल संकेत) भी देता है। वह छात्र को बताता है, "यह 80% DDoS हमले जैसा और 20% सामान्य ट्रैफ़िक जैसा दिखता है," बजाय इसके कि केवल यह कहे कि "यह एक हमला है।" इस प्रक्रिया को नॉलेज डिस्टिलेशन कहा जाता है, जो छोटे छात्र को शिक्षक के भारी मस्तिष्क की आवश्यकता के बिना उसकी सहज बुद्धि (intuition) सीखने में मदद करता है।

चरण 3: निष्पक्ष न्यायाधीश (रोबस्ट एग्रीगेशन)
जब छात्र अपने अपडेट केंद्रीय सर्वर को वापस भेजते हैं, तो सर्वर को उन्हें एक नए वैश्विक मॉडल में संयोजित करने की आवश्यकता होती है। आमतौर पर, सर्वर केवल औसत (average) लेते हैं। लेकिन यदि एक छात्र "बदमाश अभिनेता" (या केवल अजीब डेटा वाला) है, तो औसत बिगड़ जाता है। लेखकों ने इसके बजाय जियोमेट्रिक मीडियन (Geometric Median) पद्धति का उपयोग किया। कल्पना कीजिए कि लोगों का एक समूह घेरे में खड़ा है। यदि आप औसत स्थिति लेते हैं, तो दूर खड़ा एक व्यक्ति केंद्र को अपनी ओर खींच लेता है। लेकिन यदि आप वह "मध्य" बिंदु पाते हैं जो सभी से कुल दूरी को न्यूनतम करता है, तो एक आउटलायर (outlier) केंद्र को उतना नहीं खींच पाता। यह सिस्टम को बहुत अधिक स्थिर और खराब डेटा या यहाँ तक कि मॉडल को विषाक्त करने की कोशिश करने वाले दुर्भावनापूर्ण हैकर्स के प्रति प्रतिरोधी बनाता है।

उन्होंने क्या पाया: एक सुपर-स्ट्रॉन्ग सुरक्षा गार्ड

शोधकर्ताओं ने इस प्रणाली का परीक्षण दो वास्तविक दुनिया के डेटासेट्स का उपयोग करके किया: BoT-IoT (जो हमलों की ओर अत्यधिक झुका हुआ है) और UNSW-NB15 (जिसमें कई अलग-अलग प्रकार के हमलों का मिश्रण है)। उन्होंने कई नोड्स के साथ एक नेटवर्क का अनुकरण किया, जिनमें से कुछ में संतुलित डेटा था और कुछ में बहुत असंतुलित डेटा था, यह देखने के लिए कि सिस्टम कितनी अच्छी तरह टिकता है।

परिणाम प्रभावशाली थे। भले ही डेटा अव्यवस्थित, असंतुलित या शिक्षक द्वारा प्रशिक्षित डेटा से पूरी तरह अलग था, फिर भी सिस्टम ने अपना आधार बनाए रखा।

• उनके परीक्षणों में, सिस्टम ने 99.18% की पीक सटीकता (accuracy) प्राप्त की।
• इससे भी महत्वपूर्ण बात यह है कि इसने लगभग हर हमले को पकड़ा, जिससे 99.99% का रिकॉल (recall) प्राप्त हुआ। इसका मतलब है कि इसने लगभग कुछ भी मिस नहीं किया।
• सिस्टम तब भी स्थिर और सटीक बना रहा जब डेटा वितरण "non-IID" (अर्थात प्रत्येक नोड पर डेटा दूसरों से पूरी तरह अलग था) था।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण इसलिए काम करता है क्योंकि यह ज्ञान को कुशलतापूर्वक स्थानांतरित करता है। स्थानीय उपकरणों को सब कुछ शुरू से सीखने की आवश्यकता नहीं होती है, जिससे समय और ऊर्जा की बचत होती है। जियोमेट्रिक मीडियन का उपयोग करके, सिस्टम ने यह भी सिद्ध किया कि यह "शोर" (noise) या खराब अपडेट को अनदेखा कर सकता है, जिससे यह वास्तविक दुनिया के नेटवर्क के अराजक माहौल के प्रति मजबूत बनता है।

निष्कर्ष

यह पेपर सुझाव देता है कि फेडरेटेड लर्निंग (डेटा को स्थानीय रखना), ट्रांसफर लर्निंग (एक स्मार्ट शिक्षक के ज्ञान को साझा करना), और नॉलेज डिस्टिलेशन (छोटे, कुशल मॉडलों को सिखाना) को जोड़कर, हम ऐसे घुसपैठ का पता लगाने वाले सिस्टम बना सकते हैं जो निजी और शक्तिशाली दोनों हैं।

अध्ययन दिखाता है कि अपने डिवाइस को सुरक्षित रखने के लिए आपको हर स्मार्ट डिवाइस पर सुपरकंप्यूटर की आवश्यकता नहीं है। इसके बजाय, आपके पास एक केंद्रीय "मस्तिष्क" हो सकता है जो हल्के वजन वाले "प्रशिक्षुओं" को खतरों को पहचानने के तरीके सिखाता है, और फिर पूरे दल को तालमेल में रखने के लिए एक चतुर गणितीय ट्रिक (जियोमेट्रिक मीडियन) का उपयोग किया जा सकता है। हालाँकि परिणाम सिमुलेशन और विशिष्ट डेटासेट्स पर आधारित हैं, वे हमारे भविष्य के IoT शहरों को सुरक्षित करने के लिए एक आशाजनक मार्ग का सुझाव देते हैं, यह सुनिश्चित करते हुए कि वे गोपनीयता या बैटरी लाइफ से समझौता किए बिना सुरक्षित रहें।