💻 computer science

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

TITAN is een nieuwe drielagige federated learning-architectuur voor intrusiedetectie in het Industrial IoT die uitdagingen rondom non-IID-data en klasse-onbalans overwint door uitsluitend voorspellingsoutputs en apparaat-samenvattingen uit te wisselen via adaptieve kennisdistillatie en Bayesiaanse aggregatie, waarbij een superieure macro-F1-prestatie wordt bereikt ten opzichte van bestaande methoden zonder dat het delen van ruwe data of gradiënten vereist is.

Oorspronkelijke auteurs: Sandeep Ghosh, Mohammed Al-Khafajiy, Saeid Pourroostaei Ardakani Ardakani

Gepubliceerd 2026-07-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sandeep Ghosh, Mohammed Al-Khafajiy, Saeid Pourroostaei Ardakani Ardakani

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een enorme, hoogbeveiligde industriële complex voor (zoals een slimme fabriek of een elektriciteitsnet) vol met duizenden verschillende apparaten: camera's, sensoren, slimme sloten en robots. Elk van deze apparaten houdt constant in de gaten of er hackers proberen in te breken.

Het probleem is dat geen enkel apparaat het hele plaatje ziet. Eén camera ziet misschien alleen "DoS"-aanvallen (het overspoelen van het netwerk), terwijl een sensor alleen "brute-force" wachtwoordaanvallen ziet. Ook zijn de boeven zeldzaam; 99% van het verkeer is normaal en de aanvallen zijn kleine speldjes in een hooiberg.

Als je probeert één gigantisch "superbrein" te bouwen door alle ruwe gegevens naar een centrale server te sturen, loop je tegen twee muren aan:

Privacy: Je kunt geen privégegevens de fabriek uit sturen.
Bias (Vooringenomenheid): Als je simpelweg de meningen van alle apparaten middelt, zal het "superbrein" de zeldzame aanvallen negeren omdat het "normale" verkeer ze overstemt.

TITAN is een nieuw systeem dat dit probleem oplost. Zie het als een drielaags detectiebureau dat misdaden oplost zonder ooit de werkelijke foto's van de plaats delict te delen.

De Drie Lagen (Het Detectiebureau)

Laag 1: De Lokale Detectives (De Apparaten)
Elk apparaat traint zijn eigen "detective" (een gespecialiseerd AI-model) met behulp van alleen zijn eigen lokale gegevens.

De Uitdaging: Omdat een apparaat slechts enkele soorten aanvallen ziet, kan zijn detective een expert zijn in het herkennen van "DoS", maar volledig blind zijn voor "Brute-force".
De Oplossing: TITAN gebruikt een speciale trainingsroutine. Het dwingt de lokale detective om extra aandacht te besteden aan de zeldzame aanwijzingen die het wel ziet, en het geeft de detective zelfs een kleine "hint" over de soorten misdaden die het nog niet heeft gezien, zodat het niet vergeet dat ze bestaan.
De Output: Het apparaat stuurt niet zijn ruwe gegevens of zijn interne hersenstructuur. Het stuurt alleen een rapportcijfer: "Ik denk dat er 90% kans is op een DoS-aanval, 5% Brute-force en % Normaal."

Laag 2: De Regionale Managers (De Edge Servers)
Deze managers bevinden zich tussen de apparaten en het centrale hoofdkwartier. Ze verzamelen de "rapportcijfers" van een groep apparaten.

De Uitdaging: Als je de rapporten simpelweg middelt, verlies je de specialistische kennis.
De Oplossing: De manager fungeert als een slim redacteur. Het leert welke apparaten experts zijn in welke gebieden. Als Apparaat A erg goed is in het herkennen van "DoS", maar Apparaat B goed is in "Brute-force", dan weegt de manager hun meningen dienovereenvolgend. Het gebruikt een techniek genaamd "knowledge distillation", wat lijkt op een ervaren detective die een junior detective leert hoe hij aanwijzingen moet interpreteren zonder de oorspronkelijke plaats delict te onthullen.
De Output: Een verfijnd, regionaal samenvattend rapport.

Laag 3: De Globale Chef (De Centrale Server)
De Chef ontvangt rapporten van alle Regionale Managers.

De Uitdaging: De managers kunnen van mening verschillen. De een zegt "Het is een DoS", de ander zegt "Het is Normaal".
De Oplossing: TITAN gebruikt een Bayesiaanse "Product of Experts"-benadering. Stel je een jury voor. Als één expert zegt: "Ik weet 100% zeker dat dit geen Brute-force aanval is", dan luistert de Chef naar die expert. Maar als een expert nog nooit een Brute-force aanval heeft gezien, negeert de Chef de mening van die expert over dat specifieke onderwerp (het stilleggen van het "veto" van een onwetende expert).
Het Reddingsteam: Als een zeldzame aanval zo zeldzaam is dat geen enkele regio er zeker van is, wordt er een speciaal "Expertpanel" (de top 5 apparaten die deze specifieke aanval eerder hebben gezien) opgeroepen om te stemmen.
De Kalibratie: Ten slotte loopt de Chef het definitieve oordeel door een "waarheidsfilter". Dit zorgt ervoor dat het systeem niet alleen maar gokt; het zorgt ervoor dat wanneer het zegt "90% kans", het ook echt 90% betekent. Dit is cruciaal, zodat de fabriek niet overspoeld wordt met valse alarmen.

Waarom is TITAN beter?

Het onderzoek testte TITAN tegen de standaardmethode (genaamd FedAvg, wat een soort "gemiddelde van alle meningen" is).

Het Resultaat: TITAN was aanzienlijk beter in het detecteren van de zeldzame, gevaarlijke aanvallen.
De Analogie: Als FedAvg het is alsof je 20 mensen vraagt om het antwoord op een trivia-vraag te raden en het gemiddelde neemt, dan is TITAN als het vragen aan 20 specialisten, het laten debatteren tussen hen, en vervolgens een rechter die hun antwoorden weegt op basis van wie daadwerkelijk een expert is in dat specifieke onderwerp.
De Cijfers: TITAN verbeterde de detectie van zeldzame aanvallen met gemiddeld 6,2%, en met tot wel 23,3% in de meest moeilijke, chaotische scenario's. Het presteerde zelfs beter dan een "perfecte oracle" (een hypothetisch systeem dat de beste prestaties van een enkel apparaat kent) in de meeste gevallen.

De Kern van het Verhaal

TITAN is een systeem waarmee industriële apparaten samenwerken om hackers op te sporen zonder privégegevens te delen. Het lost het probleem van "zeldzame aanvallen" op door het als een kalibratieprobleem te behanden en een slim drie-lagen stemmechanisme te gebruiken dat de unieke expertise van elk afzonderlijk apparaat respecteert. Het gaat niet alleen om het middelen van meningen; het gaat om weten wie je moet vertrouwen voor welke specifieke dreiging.

Technische Samenvatting: TITAN – Three-Tier Intrusion-Detection Tree-Based Adaptive Network

1. Probleemstelling

Het artikel behandelt twee kritieke, cumulerende uitdagingen in Federated Learning (FL) voor intrusiedetectie in het Industrial Internet of Things (IIoT):

Extreme Non-IID Partitionering: Individuele apparaten observeren in IIoT-omgevingen disjuncte segmenten van aanvalsverkeer. Volledige aanvalsklassen kunnen afwezig zijn bij specifieke apparaten, wat de aanname van onafhankelijke en identiek verdeelde (IID) verdelingen schendt waar standaard FL op vertrouwt.
Extreme Class Imbalance: Operationele aanvalsklassen (bijv. webattacks, brute-force) zijn vaak zeldzaam en beslaan minder dan 0,1% van de samples, terwijl dominante flows (DoS/DDoS) meer dan 94% kunnen overschrijden.

Bestaande oplossingen slagen er niet in om de intersectie van deze problemen aan te pakken. Methoden in de parameterruimte (bijv. FedAvg, FedProx) gaan uit van differentieerbare modellen (neurale netwerken), wat efficiënte boomgebaseerde leerders zoals LightGBM, die uitblinken in tabelvormige flow-data, uitsluit. Bovendien middelen deze methoden gewichten vaak op een manier die de expertise in minderheidsklassen verwatert, wat leidt tot misgekalibreerde globale modellen die de recall opofferen voor de nauwkeurigheid van de meerderheidsklasse. Methoden op voorspellingsniveau vereisen vaak een gedeelde publieke dataset voor kennisdistillatie, wat in strijd is met de IIoT-regels voor dataminimalisatie en gegevensresistentie.

2. Methodologie: De TITAN-architectuur

TITAN (Three-Tier Intrusion-Detection Tree-Based Adaptive Network) is een hiërarchische federated architectuur die alleen voorspellingsoutputs en kleine samenvattende statistieken uitwisselt, en nooit ruwe data, gradiënten of modelparameters. Het is specifiek ontworend voor niet-differentieerbare, boomgebaseerde leerders.

Niveau 1: Training op apparaatniveau

Elk apparaat ( $D=20$ ) traint een onafhankelijke LightGBM-classifier op zijn lokale non-IID data via een vierfasig adaptief boosting-schema:

Fase 1 (Balanced Base): Traint met klasse-gebalanceerde gewichten.
Fase 2 (Hard-Sample Refinement): Gebruikt een adaptieve focal loss-exponent afgeleid van de F1-scores uit Fase 1 om de focus te leggen op moeilijke samples zonder de grenzen van de meerderheidsklasse te overschrijven.
Fase 3 (Per-Class Rebalancing): Rebalanceert conditioneel klassen met lage F1-scores, mits deze voldoen aan een minimale steekproefgrens om overfitting op enkelvoudige gevallen te voorkomen.
Fase 4 (Minority Enrichment): Downsample de dominante klasse tot een ratio ten opzichte van de op één na grootste klasse, terwijl alle minderheidssamples behouden blijven, zodat het model bladnoden kan vormen voor zeldzame klassen.

Na de RAW-training wordt een META-model getraind met een out-of-fold (OOF) ontwerp. Dit neemt de voorspellingen van het RAW-model op een uit de training gehouden partitie als inputkenmerken. Dit voorkomt het "degenerate teacher"-probleem waarbij een model bijna perfect voorspelt op zijn eigen trainingsdata. Het apparaat communiceert alleen deze META-waarschijnlijkheidsvectoren ( $K$ -klasse outputs) en kleine label-samenvattingen naar de edge.

Niveau 2: Edge-niveau Kennis-gedistilleerd Ensemble

Apparaten worden gegroepeerd in edge-clusters ( $E=5$ ). Elke edge traint een LightGBM-ensemble dat leert om voor specifieke klassen specifieke apparaten te vertrouwen.

Adaptive Knowledge Distillation (KD): De edge gebruikt een zelfstandige, $k$ -fold OOF teacher, gebouwd uit de META-outputs van de eigen lid-apparaten, om soft labels te generen.
Gating-mechanismen: Om te voorkomen dat onbetrouwbare teachers de student corrumperen, moduleren vier multiplicatieve gates het KD-signaal:
1. Entropy Gate: Onderdrukt KD als de teacher overgeconfident is (bijna one-hot).
2. Support Gate: Schakelt KD uit voor klassen die afwezig zijn in de lokale labels van de edge.
3. Recall Gate: Schaalt KD op basis van de per-klasse recall van de teacher.
4. Class-Frequency Gate: Voorkomt dat de bias van de meerderheidsklasse het leren van de minderheidsklasse verwatert.
Aggregatie: Bij evaluatie aggregeert de edge de output van apparaten met behulp van statische expertisegewichten (gebaseerd op trainingssample-aantallen) en dynamische vertrouwensgewichten.

Niveau 3: Globale Bayesiaanse Fusie

De globale laag fuseert de voorspellingen van de vijf edges met behulp van een Bayesiaans Product-of-Experts (PoE) framework.

Expertise Masking: Een per-klasse expertise mask ( $m_{e,k}$ ) dempt edges die geen trainingsondersteuning hebben voor een specische klasse, wat voorkomt dat onwetende experts een "vertrouwde nabij-nul" veto uitspreken die zeldzame klassen onderdrukken.
Rare-Class Rescue (Expert Panel): Als de Bayesiaanse fusie er niet in slaagt een meerderheidswaarschijnlijkheid toe te wijzen aan een zeldzame klasse (of de klasse globaal zeldzaam is), stemt een "Expert Panel" van de top 5 apparaten (gerangschikt op lokale expertise) om het signaal te redden.
Safety-Gated Kalibratie: Een driestaps kalibratiepipeline verfijnt de uiteindelijke waarschijnlijkheden:
1. Temperature Scaling.
2. Meta-learner Blending (stacking van edge outputs).
3. Per-class log-odds bias fitting.
  Cruciaal is dat elke stap "safety-gated" is op macro-F1; als een stap de macro-F1 niet verbetert, keert het systeem terug naar de waarde van de vorige stap.

3. Belangrijkste Bijdragen

Voorspellingsniveau Federatie voor Boomgebaseerde Leerders: TITAN maakt federated learning voor LightGBM mogelijk zonder een gedeelde publieke dataset. Het vervangt parameter-gemiddelden door uitwisseling in de voorspellingsruimte, waarbij lokaal een OOF teacher wordt gebruikt om soft targets te genereren, waardoor het voldoet aan regels voor dataminimalisatie.
Per-Klasse Expertise Gating: De architectuur introduceert een per-(edge, klasse) expertise mask in de Bayesiaanse fusielaag. Dit stelt het systeem in staat om onwetende experts op specifieke klassen te neutraliseren, een mechanisme dat noodzakelijk is in federaties waar volledige klassen afwezig zijn in bepaalde partities.
Safety-Gated Multi-Stage Kalibratie: In tegenstelling tot eerder werk dat optimaliseert voor kalibratiemetrieken (zoals ECE) in isolatie, integreert TITAN kalibratie in de federated pipeline met een safety gate gedreven door macro-F1. Dit zorgt ervoor dat kalibratie-aanpassingen de detectie van minderheidsklassen niet verslechteren.
Strikte Evaluatieprotocol: Het artikel stelt een reproduceerbaar protocol op over 16 configuraties (4 datasets $\times$ 2 non-IID ernstgraden $\times$ 2 groeperingsstrategieën) met strikte rij-niveau deduplicatie om nauwkeurigheidsinflatie te voorkomen.

4. Experimentele Resultaten

Geëvalueerd op vier IoT-benchmarks (CIC IoT-DIAD 2024, CIC IoT 2023, NF-BoT-IoT-V3, NF-ToN-IoT-V3) onder strikte non-IID condities ( $\alpha=0.1$ ):

Prestaties vs. Baselines: TITAN presteert gemiddeld 6,2 procentpunt beter dan Federated Averaging (FedAvg) in macro-F1 over alle configuraties.
Non-IID Ernst: Het prestatieverschil wordt groter bij hogere datadiversiteit. In de meest heterogene splitsingen overtreft TITAN FedAvg met 23,3 procentpunt.
Oracle Vergelijking: TITAN presteert beter dan de "Best-Device Oracle" (het beste lokale model) in 14 van de 16 configuraties en overtreft de gecentraliseerde bovengrens in 11 configuraties.
Bron van Winst: Het artikel merkt op dat de winst primair wordt gedreven door verbeteringen in kalibratie in plaats van pure discriminatiekracht, wat het belang van de kalibratiepipeline benadrukt bij het omgaan met klasse-imbalans.
Falen van Alternatieven: De studie observeert dat FedProx niet beter presteert dan FedAvg op boomgebaseerde leerders en dat evaluaties met één metriek (nauwkeurigheid) ernstige fouten in minderheidsklassen verbergen (de "accuracy paradox").

5. Betekenis en Claims

Het artikel claimt dat TITAN een levensvatbaar pad biedt voor federated intrusiedetectie in IIoT waar dataresidentie, extreme onbalans en non-IID distributies het gebruik van standaard neurale-netwerk-gecentreerde FL verhinderen.

Architecturale Vernieuwing: Het is de eerste federated IDS die boomgebaseerde leerders, geen gedeelde dataset, per-klasse expertise gating en macro-F1-gated kalibratie combineert in één enkel framework.
Operationele Relevantie: Door te focussen op macro-F1 en kalibratie, adresseert TITAN de "base-rate fallacy" waarbij hoge nauwkeurigheid de mislukking van het detecteren van zeldzame, kritieke aanvallen maskeert.
Schaalbaarheid: De architectuur ondersteunt heterogene partities variërend van 28 tot meer dan 2 miljoen samples per apparaat, wat robuustheid demonstreert over verschillende dataschalen.

De auteurs positioneren TITAN niet louter als een prestatieverbetering, maar als een noodzakelijke evolutie van FL voor tabelvormige, hoog-risico industriële beveiliging waar standaard neurale-netwerk-gecentreerde benaderingen computationeel inefficiënt of statistisch onjuist zijn.