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

1. Il Problema

L'articolo affronta le sfide critiche nell'implementazione di sistemi di Rilevamento delle Intrusioni (IDS) basati su Federated Learning (FL) in ambienti 6G-IoT vincolati da risorse. I problemi principali identificati sono:

• Sovraccarico Comunicativo: La trasmissione di gradienti a piena precisione (full-precision) da migliaia di dispositivi edge verso un server centrale consuma una larghezza di banda eccessiva, rendendo il FL inefficiente per reti a bassa latenza e larghezza di banda limitata.
• Vulnerabilità alla Privacy: Sebbene il FL non condivida i dati grezzi, gli aggiornamenti del modello (gradienti) possono essere invertiti per ricostruire i dati di addestramento sensibili degli utenti (attacchi di inferenza dei gradienti).
• Limitazioni delle Soluzioni Esistenti: I metodi di compressione esistenti (come signSGD con soglia zero) non si adattano bene alle distribuzioni "heavy-tailed" tipiche dei dati di sicurezza di rete, dove gli eventi di attacco sono rari ma significativi, portando a instabilità nella convergenza.

2. Metodologia: EdgeDetect

Il framework proposto, EdgeDetect, integra tre componenti principali per bilanciare efficienza, privacy e accuratezza:

A. Gradient Smartification (Compressione Adattiva)

Invece di utilizzare una soglia fissa (es. zero), EdgeDetect introduce una binarizzazione statistica basata sulla mediana:

• Meccanismo: Per ogni client, i gradienti locali vengono compressi in valori binari $\{+1, -1\}$. La soglia di decisione $\theta_i$ non è zero, ma la mediana dei valori assoluti dei gradienti locali ($\theta_i = \text{median}(|\Delta_i|)$).
• Vantaggio: Questo approccio adattivo preserva l'allineamento direzionale dei gradienti anche in presenza di distribuzioni asimmetriche o con code pesanti, riducendo il rumore stocastico e mantenendo la stabilità della convergenza.
• Compressione: Riduce il payload in uplink di 32 volte (da float a bit).

B. Crittografia Omomorfica (Privacy)

Per proteggere i gradienti binarizzati durante la trasmissione:

• Tecnologia: Utilizza lo schema di crittografia Paillier (omomorfica additiva).
• Flusso: I client cifrano i gradienti binarizzati prima dell'invio. Il server aggrega i dati cifrati senza poter decifrare i singoli aggiornamenti, garantendo che solo l'aggiornamento globale aggregato sia visibile. Questo protegge contro server "honest-but-curious" e attacchi di inversione dei gradienti.

C. Architettura del Sistema

• Dataset: Utilizzo del dataset CIC-IDS2017 (2,8 milioni di flussi, 7 classi di attacco).
• Preprocessing: Applicazione di PCA incrementale (riduzione da 78 a 35 componenti principali, mantenendo il 99,3% della varianza) e tecniche di bilanciamento delle classi (SMOTE adattivo e undersampling) per gestire lo sbilanciamento tra traffico benigno e malevolo.
• Modelli: Valutazione di vari algoritmi (Logistic Regression, SVM, Random Forest, KNN) in un ambiente federato.

3. Contributi Chiave

1. Architettura FL per IDS 6G-IoT: Un framework scalabile che integra riduzione dimensionale, bilanciamento delle classi e aggregazione sicura in un'unica pipeline decentralizzata.
2. Gradient Smartification Adattiva: Una strategia di binarizzazione che supera i limiti dei metodi a soglia fissa (come signSGD), adattandosi alla distribuzione specifica di ogni client e migliorando la stabilità della convergenza su dati eterogenei.
3. Trade-off Quantificato Privacy-Utilità-Efficienza: Dimostrazione empirica che è possibile ottenere un'accuratezza quasi identica ai metodi centralizzati riducendo drasticamente la comunicazione e garantendo privacy crittografica.
4. Validazione su Edge Reale: Implementazione e test su dispositivi Raspberry Pi 4, confermando la fattibilità pratica in termini di consumo di memoria e latenza.

4. Risultati Sperimentali

Gli esperimenti condotti su CIC-IDS2017 hanno prodotto i seguenti risultati significativi:

• Accuratezza:
  • 98,0% di accuratezza multi-classe e 97,9% di macro F1-score.
  • Le prestazioni sono paragonabili ai baselines centralizzati, con una perdita di accuratezza inferiore allo 0,5% rispetto all'addestramento centralizzato.
  • Robustezza mantenuta anche sotto attacchi di avvelenamento (5%) e forte sbilanciamento dei dati.
• Efficienza Comunicativa:
  • Riduzione del payload per round da 450 MB a 14 MB (riduzione del 96,9%).
  • Compressione complessiva di 32x rispetto al FL tradizionale.
• Privacy:
  • Resistenza agli attacchi di inversione dei gradienti: il PSNR (Peak Signal-to-Noise Ratio) della ricostruzione dei dati scende da 31,7 dB (senza protezione) a 15,1 dB (EdgeDetect), rendendo la ricostruzione dei dati sensibili quasi impossibile (recupero delle etichette vicino al caso casuale, ~14,3%).
• Prestazioni su Edge (Raspberry Pi 4):
  • Consumo di memoria: 4,2 MB.
  • Latenza di inferenza: 0,8 ms.
  • Consumo energetico: 12 mJ per inferenza.

5. Significato e Implicazioni

Il lavoro di EdgeDetect stabilisce un nuovo standard per la sicurezza delle reti di prossima generazione (6G-IoT):

• Fattibilità Pratica: Dimostra che sistemi di rilevamento intrusioni complessi e sicuri possono essere eseguiti su dispositivi edge a risorse limitate senza sacrificare la privacy o l'accuratezza.
• Sicurezza End-to-End: Risolve il compromesso tra efficienza della comunicazione e privacy, offrendo una soluzione che non richiede la condivisione di dati grezzi né espone i gradienti a rischi di inferenza.
• Robustezza: Il sistema si dimostra resiliente a condizioni di rete eterogenee (Non-IID) e a tentativi di attacco, rendendolo adatto per scenari reali come città intelligenti, veicoli autonomi e Industria 4.0.

In sintesi, EdgeDetect fornisce una soluzione pratica per il Federated Learning sicuro ed efficiente, trasformando la sfida della larghezza di banda e della privacy in un'opportunità per il rilevamento collaborativo delle intrusioni su larga scala.