💻 computer science

Personalized Federated Intrusion Detection for Non-IID IIoT Traffic via DDPG-Guided Adaptive Aggregation

Questo articolo propone PAEDDPG, un framework di apprendimento federato personalizzato che utilizza un agente Deep Deterministic Policy Gradient per aggregare adattivamente i modelli e un decoder autoencoder specifico per il client per affrontare efficacemente il traffico IIoT non-IID e sbilanciato nelle classi, migliorando significativamente le prestazioni di rilevamento per le classi di attacco rare preservando al contempo la privacy dei dati.

Autori originali: Junyi Hou, Wenzhong Yang, Yabo Yin, Shuying Xu

Pubblicato 2026-10-07

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Junyi Hou, Wenzhong Yang, Yabo Yin, Shuying Xu

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nel mondo industriale moderno, le fabbriche e le reti elettriche sono sempre più gestite da reti di sensori intelligenti e macchine che comunicano costantemente tra loro. Questo sistema interconnesso, noto come Internet delle Cose Industriali (IIoT), permette il monitoraggio in tempo reale e la produzione automatizzata, ma apre anche la porta ad attacchi informatici che possono interrompere le operazioni o danneggiare attrezzature costose. Per fermare queste minacce, gli ingegneri utilizzano sistemi di rilevamento delle intrusioni, che agiscono come guardie giurate che scansionano il traffico di rete alla ricerca di segni di attività malevola. Tradizionalmente, questi sistemi venivano addestrati su un enorme computer centrale che conteneva i dati di ogni fabbrica. Tuttavia, questo approccio solleva serie preoccupazioni sulla privacy, poiché le aziende sono spesso riluttanti a condividere i propri dati operativi grezzi, e crea un singolo punto di vulnerabilità se quel server centrale viene compromesso.

Per risolvere questo problema, i ricercatori si sono rivolti a un metodo chiamato apprendimento federato (federated learning). Immaginate un gruppo di studenti che cerca di risolvere un difficile problema di matematica. Invece di portare tutti i loro quaderni a un insegnante affinché ne copi tutto in un unico grande libro, ogni studente lavora sulla propria copia del problema a casa propria. Inviano solo le loro risposte finali all'insegnante, che le combina per creare una soluzione migliore per tutti. In questo modo, gli studenti mantengono al sicuro i propri appunti privati, ma beneficiano comunque della saggezza collettiva del gruppo. Nel mondo industriale, questo significa che ogni fabbrica può addestrare un modello di sicurezza sui propri dati locali senza mai rivelare l'aspetto di quei dati. La sfida, tuttavia, è che ogni fabbrica è diversa. Una potrebbe vedere principalmente traffico normale con occasionali tentativi di hacking, mentre un'altra potrebbe essere sotto attacco costante da parte di un tipo specifico di virus. Quando si tenta di fondere queste esperienze molto diverse in un unico modello globale, il risultato spesso non riesce a proteggere i siti più vulnerabili, specialmente quelli che affrontano attacchi rari o insoliti.

Un team di ricercatori della Xinjiang University ha sviluppato un nuovo approccio per risolvere questo problema, chiamato PAEDDPG. Il loro lavoro affronta il problema specifico con cui i metodi standard faticano quando i dati provenienti dalle diverse fabbriche non sono simili. In una configurazione tipica, il server centrale si limita a fare la media degli aggiornamenti inviati da ciascuna fabbrica, assumendo che ogni fabbrica contribuisca equamente alla soluzione. I ricercatori hanno scoperto che questa media "taglia unica" è difettosa perché permette alle fabbriche con i modelli di traffico più comuni di oscurare i segnali unici delle fabbriche che affrontano attacchi rari. Per contrastare ciò, hanno creato un sistema in cui il server centrale impara a pesare dinamicamente i contributi di ciascuna fabbrica, invece di utilizzare una regola fissa.

Il cuore della loro soluzione prevede due meccanismi ingegnosi che lavorano in tandem. In primo luogo, sul lato locale, ogni fabbrica mantiene una componente privata del modello di sicurezza che non lascia mai i suoi locali. Mentre la parte principale del modello è condivisa con il server centrale per apprendere schemi generali, questa parte privata aiuta il modello locale a ricordare le peculiarità specifiche della rete di quella fabbrica. Agisce come un regolarizzatore, assicurando che il modello condiviso non dimentichi le caratteristiche uniche dei dati locali mentre apprende. Ciò consente alla fabbrica di mantenere un rilevatore personalizzato che è altamente sintonizzato sul proprio ambiente, mantenendo al contempo la totale sicurezza dei dati grezzi e dei componenti privati del modello.

In secondo luogo, sul server centrale, i ricercatori hanno introdotto un agente di intelligenza artificiale che decide quanto fidarsi dell'aggiornamento di ciascuna fabbrica. Invece di contare semplicemente quanti punti dati ha una fabbrica, questo agente analizza le modifiche apportate dalla fabbrica al modello e le confronta con le modifiche apportate dagli altri. Cerca segni che una fabbrica stia contribuendo con conoscenze utili su attacchi rari rispetto al semplice ripetere ciò che è già noto. L'agente è addestrato utilizzando un sistema di ricompensa che valorizza specificamente il rilevamento di tipi di attacco rari e difficili, piuttosto che la semplice accuratezza complessiva. Se una fabbrica aiuta il gruppo a diventare più bravo nel rilevare una minaccia rara, l'agente impara a dare a quella fabbrica maggiore influenza nel ciclo successivo di addestramento. Questo processo avviene continuamente, permettendo al sistema di adattarsi al variare delle condizioni di rete.

I ricercatori hanno testato questo nuovo framework utilizzando due grandi dataset di traffico di rete industriale, uno contenente oltre mezzo milione di campioni e l'altro quasi mezzo milione. Hanno simulato uno scenario in cui sei diverse fabbriche avevano tipi di traffico molto differenti, con alcune che affrontavano attacchi comuni e altre attacchi estremamente rari. In queste condizioni difficili, il loro nuovo metodo ha superato costantemente le tecniche esistenti. In particolare, per quanto riguarda il rilevamento dei tipi di attacco più rari, il loro sistema ha migliorato il tasso di successo di circa 18 punti percentuali rispetto al miglior metodo precedente. Ad esempio, su un dataset, il nuovo sistema ha identificato correttamente l'85,25% degli attacchi più rari, mentre il precedente miglior metodo ne aveva catturati solo il 67%.

Oltre a essere più accurato, il nuovo sistema era anche più stabile. I ricercatori hanno osservato che il loro metodo raggiungeva un alto livello di prestazioni più velocemente e con meno fluttuazioni rispetto ai metodi più vecchi. Ciò suggerisce che il sistema non è solo fortunato nei suoi risultati, ma sta realmente imparando un modo migliore per collaborare. Lo studio ha anche dimostrato che rimuovendo o la componente privata locale o l'agente intelligente del server, le prestazioni diminuivano, provando che entrambe le parti sono necessarie affinché il sistema funzioni efficacemente. I ricercatori hanno notato, tuttavia, che il loro attuale lavoro assume che tutte le fabbriche siano partecipanti onesti. Hanno ammesso che il lavoro futuro dovrà affrontare cosa succede se una fabbrica va offline o se un attore malevolo tenta di ingannare il sistema.

In definitiva, questa ricerca offre una strada promettente per la sicurezza delle reti industriali senza compromettere la privacy. Consentendo alle fabbriche di mantenere i propri dati locali pur beneficiando di una collaborazione intelligente e adattiva, il sistema fornisce una difesa robusta contro il panorama in evoluzione delle minacce informatiche. Le scoperte suggeriscono che il futuro della sicurezza industriale non risiede in un singolo modello monolitico, ma in una rete flessibile dove l'esperienza unica di ogni partecipante è valorizzata e pesata in base al suo effettivo contributo alla sicurezza.

Sintesi Tecnica: Rilevamento delle Intruzioni Personalizzato tramite Federated Learning per Traffico IIoT Non-IID via Aggregazione Adattiva Guidata da DDPG

Definizione del Problema

L'Internet of Things Industriale (IIoT) affronta minacce cibernetiche in rapida escalation, rendendo necessari sistemi di rilevamento delle intrusioni (IDS) robusti. Sebbene l'Apprendimento Federato (Federated Learning, FL) permetta ai client distribuiti di addestrare modelli collaborativamente senza condividere il traffico grezzo, gli approcci standard di FL faticano ad affrontare la realtà dei dati IIoT: essi sono intrinsecamente Non-IID (non indipendenti e non identicamente distribuiti) e sbilanciati nelle classi.

Client Drift (Deriva del Client): Diversi siti industriali osservano comportamenti normali e esposizioni agli attacchi differenti, causando la divergenza delle direzioni di ottimizzazione. Un singolo modello globale spesso fallisce nel generalizzare attraverso queste distribuzioni eterogenee.
Negligenza delle Classi Minoritarie: L'aggregazione standard (ad es. FedAvg) tende a favorire le classi maggioritarie (traffico normale) o i client dominanti, portando a una scarsa capacità di richiamo (recall) sulle classi di attacco rare (ad es. Man-in-the-Middle, malware specifici).
Limitazioni delle Soluzioni Esistenti: Gli attuali metodi FL-IDS si affidano a regole di aggregazione fisse o a strategie di personalizzazione statica (ad es. divisione fissa degli strati) che non si adattano dinamicamente all'utilità empirica del contributo di ciascun client. Inoltre, gli approcci esistenti di Deep Reinforcement Learning (DRL) per l'aggregazione spesso mancano di integrazione con la personalizzazione locale che preservi la privacy o non sono specificamente tarati su obiettivi di IDS sensibili alle classi minoritarie.

Metodologia: Framework PAEDDPG

Gli autori propongono PAEDDPG (Personalized AutoEncoder–Deep Deterministic Policy Gradient), un framework che combina la personalizzazione sul dispositivo con l'aggregazione adattiva lato server.

1. Lato Client: Decoder di Ricostruzione Privato
Ogni client $k$ mantiene un modello condiviso (estrattore di caratteristiche $g_\theta$ e classificatore $h_\theta$ ) e un decoder di ricostruzione privato del client $\psi_{\phi_k}$ .

Obiettivo Locale: Il client minimizza una funzione di perdita combinata:
$L_k^{local} = \ell_{ce}(h_\theta(g_\theta(x)), y) + \lambda_{rec} \| \psi_{\phi_k}(g_\theta(x)) - x \|_2^2$
Il primo termine è la perdita di classificazione supervisionata; il secondo è una perdita di ricostruzione auto-supervisionata.
Privacy e Personalizzazione: Il decoder viene addestrato solo sui dati locali e non viene mai caricato. Funge da regolarizzatore, costringendo l'encoder condiviso a preservare le statistiche delle caratteristiche specifiche del client (cruciali per le classi rare) senza esporre i dati grezzi o i parametri del decoder.
Comunicazione: Solo i parametri aggiornati del modello condiviso ( $\theta_k$ ) vengono caricati, mantenendo lo stesso carico di comunicazione dello standard FedAvg.

2. Lato Server: Aggregazione Adattiva Guidata da DDPG
Il server impiega un agente Deep Deterministic Policy Gradient (DDPG) per apprendere dinamicamente i pesi ottimali di aggregazione.

Stato ( $s_t$ ): Costruito dalle statistiche di aggiornamento dell'encoder dei client partecipanti, inclusi:
- Rapporto di campionamento ( $\rho_k$ ): Contributo della quantità di dati.
- Norma dell'aggiornamento ( $\nu_k$ ): Magnitudo del cambiamento del modello locale.
- Distanza media di aggiornamento ( $\bar{d}_k$ ) e similarità del coseno ( $\bar{c}_k$ ): Misure di divergenza e coerenza con altri client.
Azione ( $a_t$ ): L'agente produce un vettore di pesi ( $w_k$ ) a simplex di probabilità per aggregare i modelli condivisi: $\theta_t = \sum w_k \theta_k$ .
Ricompensa ( $r_t$ ): Una ricompensa sensibile alle classi minoritarie basata sul miglioramento round-per-round di tre metriche su un set di validazione lato server:
$r_t = 100 \times (\beta_1 \Delta \text{Macro-F1} + \beta_2 \Delta \text{BalancedAcc} + \beta_3 \Delta \text{WorstClassRecall})$
Questo orienta esplicitamente l'agente a dare priorità alla collaborazione che migliora il rilevamento di classi di attacco rare piuttosto che alla semplice accuratezza complessiva.

Contributi Chiave

Architettura Innovativa: Un design client-server che accoppia un modello globale condiviso con un decoder di ricostruzione privato del client. Ciò induce la personalizzazione tramite apprendimento auto-supervisionato preservando al contempo la privacy e mantenendo i costi di comunicazione identici al normale FL.
Aggregazione Adattiva via DDPG: Formulazione della selezione dei pesi di aggregazione come un problema di controllo continuo. Un singolo agente lato server impara a mappare le statistiche dell'aggiornamento dell'encoder in pesi di aggregazione, evitando l'overhead di policy per ogni client e adattandosi allo stato attuale della collaborazione.
Design della Ricompensa Sensibile alle Minoranze: Una funzione di ricompensa orientata all'IDS che combina Macro-F1, Balanced Accuracy e Worst-Class Recall. Ciò assicura che la politica di aggregazione appresa mitighi attivamente il trasferimento negativo e migliori il rilevamento di attacchi rari sotto traffico eterogeneo e sbilanciato.

Risultati Sperimentali

Il framework è stato valutato su Edge-IIoTset e NF-ToN-IoT-v3 in scenari IID e tre configurazioni Non-IID ( $\alpha \in \{1.0, 0.5, 0.1\}$ ).

Prestazioni: PAEDDPG ha superato costantemente i baseline (FedAvg, FedProx, FedProto, MOON, FedGH) in termini di Macro-F1, Balanced Accuracy e Worst-Class Recall.
Rilevamento Classi Rare: Sotto la configurazione Non-IID più forte ( $\alpha=0.1$ $α = 0.1$ ) su Edge-IIoTset:
- PAEDDPG ha raggiunto un Worst-Class Recall dell'85,25%, un miglioramento di circa 18 punti percentuali rispetto al miglior baseline (FedProto al 67,00%).
- È stato l'unico metodo a mantenere un recall per classe superiore all'85% per tutte le classi di attacco.
Convergenza: Il metodo ha dimostrato una convergenza rapida e stabile, raggiungendo il 90% delle sue prestazioni finali entro circa 30 round con una fluttuazione round-per-round significativamente inferiore rispetto ai baseline.
Studio di Ablazione: La rimozione di qualsiasi componente (Decoder Privato, DDPG o la Ricompensa completa) ha degradato le prestazioni. L'aggregazione basata su DDPG è stata identificata come il fattore dominante, mentre il decoder privato e il design specifico della ricompensa hanno fornito miglioramenti costanti e complementari.

Significato e Rivendicazioni

Il documento sostiene che PAEDDPG affronti una lacuna critica nel rilevamento delle intrusioni federato Non-IID, ottimizzando congiuntamente l'adattamento locale che preserva la privacy e l'aggregazione adattiva guidata dal compito.

Significato: A differenza dei metodi esistenti che o fissano la struttura di collaborazione a priori o si affidano a obiettivi di robustezza generici, PAEDDPG impara dinamicamente quanto ogni client debba contribuire in base al feedback empirico riguardante il rilevamento delle classi rare.
Modestia: Gli autori riconoscono i limiti, notando che l'attuale framework non tiene ancora conto delle minacce avversarie (ad es. client malevoli che manipolano i pesi di aggregazione) o della partecipazione dinamica dei client (dropout/churn dei client), che sono comuni nelle implementazioni IIoT reali. Il lavoro futuro proposto mira ad affrontare queste sfide di robustezza e disponibilità dinamica.