Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation

Resumo Técnico: Tri-LLM Cooperativo de Detecção de Intrusão Federada Zero-Shot

Declaração do Problema
Os atuais Sistemas de Detecção de Intrusão (IDS) baseados em Aprendizado Federado (FL) enfrentam duas limitações críticas em ambientes de ciberfísicos e IoT modernos. Primeiro, a maioria opera sob suposições de conjunto fechado (closed-set), dependendo de espaços de rótulos fixos e assinaturas estáticas que falham em detectar comportamentos de ataques zero-day ou previamente não vistos. Segundo, os frameworks existentes carecem de mecanismos fundamentados para estimativa de incerteza calibrada e lutam com clientes heterogêneos e não confiáveis em configurações não identicamente distribuídas (non-IID). Embora os Grandes Modelos de Linguagem (LLMs) ofereçam fortes capacidades de raciocínio semântico, sua integração em pipelines federados para segurança de mundo aberto permanece amplamente inexplorada, particularmente no que diz respeito ao tratamento de ambiguidade semântica e confiança do cliente sem acesso centralizado aos dados.

Metodologia
O artigo propõe um framework de IDS federado orientado por semântica que desacopla a geração de conhecimento semântico do processo de otimização federada. A arquitetura central consiste em três componentes principais:

1. Construção de Protótipos Semânticos Tri-LLM:
   Em vez de federar os LLMs, o framework utiliza um ensemble centralizado de três modelos distintos — GPT-4o, DeepSeek-V3 e LLaMA-3-8B — para gerar protótipos semânticos de ataque. Para cada categoria de ataque, os modelos processam três perspectivas textuais distintas (objetivos ofensivos, sintomas defensivos e estratégias adversárias) para produzir embeddings. Estes são fundidos em um único protótipo semântico ($z_a$) que representa o conceito de ataque em um espaço de embedding compartilhado. Crucialmente, o desacordo semântico ($D_a$) entre os três modelos é explicitamente calculado como um sinal de incerteza epistêmica.

2. Agregação Federada Consciente de Confiança (Trust-Aware):
   Os clientes treinam modelos de projeção semântica leves ($W_i$) para mapear características de telemetria de baixo nível no espaço semântico compartilhado definido pelos protótipos de LLM. O framework introduz um mecanismo de agregação consciente de confiança, onde as atualizações dos clientes são ponderadas com base em sua perda de alinhamento semântico. Clientes com menor perda (melhor alinhamento com os protótipos globais) recebem pontuações de confiança mais altas. Este processo inclui suavização temporal para garantir estabilidade e monitora a entropia de confiança para detectar a convergência e a concentração de confiança nos participantes confiáveis, mitigando assim o impacto de clientes com deriva (drifting) ou comprometidos.

3. Inferência Zero-Shot e Estimativa de Risco:
   Durante a inferência, o tráfego recebido é projetado no espaço semântico e confrontado com protótipos derivados de linguagem via similaridade de cosseno. O sistema calcula uma Pontuação Zero-Day (ZDS) que combina a confiança de similaridade semântica com o desacordo semântico inter-LLM. Alto desacordo e baixa similaridade resultam em uma ZDS alta, sinalizando a observação como uma potencial ameaça zero-day com incerteza calibrada, em vez de forçar uma classificação confiante, mas potencialmente incorreta.

Principais Contribuições

• Supervisão Semântica Tri-LLM: A introdução de um paradigma federado que integra protótipos semânticos derivados de linguagem para permitir a atribuição zero-shot sob condições de conjunto aberto, indo além do aprendizado de características estatísticas.
• Modelagem de Risco Consciente de Desacordo: Uma métrica inovadora que trata o desacordo semântico inter-LLM como um sinal direto de incerteza epistêmica, permitindo a estimativa de risco zero-day calibrada sem amostras rotuladas de zero-day.
• Agregação Consciente de Confiança: Um mecanismo de ponderação baseado em perda que ajusta dinamicamente a influência do cliente com base na qualidade do alinhamento semântico, aumentando a robustez contra dados non-IID e participantes não confiáveis.

Resultados Experimentais
O framework foi avaliado contra baselines federados compatíveis com protocolos (ex: variantes de FedAvg) e frameworks de FL-IDS representativos. As principais descobertas incluem:

• Desempenho Zero-Shot: O framework completo alcançou mais de 80% de precisão de detecção zero-shot em padrões de ataque não vistos, superando significativamente baselines de similaridade pura e métodos federados de conjunto fechado.
• Calibração de Incerteza: Foi observada uma forte relação inversa entre o desacordo semântico e a confiança de detecção ($\partial C / \partial D_a < 0$). O sistema identificou com sucesso riscos zero-day ao utilizar o desacordo, melhorando a discriminação de zero-day em mais de 10% em comparação aos baselines.
• Convergência e Estabilidade: A análise de entropia de confiança demonstrou um declínio monotônico, indicando uma convergência estável onde a confiança se concentra em clientes confiáveis. O alinhamento semântico melhorou constantemente através das rodadas federadas, confirmando que clientes heterogêneos podem convergir para um espaço semântico global coerente sem troca de dados brutos.
• Diversidade como um Ativo: O estudo encontrou uma correlação fraca, porém positiva, entre diversidade semântica (medida por entropia de confiança) e precisão de detecção, sugerindo que a heterogeneidade controlada aumenta a generalização em vez de degradar o desempenho.

Significância e Alegações
O artigo afirma estabelecer um novo paradigma para IDS adaptativo, interpretável e atento à privacidade. Ao unificar LLMs, FL e raciocínio semântico, o framework aborda o desafio de "mundo aberto", onde os rótulos de ataque são incompletos ou indisponíveis. Os autores enfatizam que sua abordagem desloca o foco do design da precisão marginal de conjunto fechado para o comportamento calibrado de mundo aberto, fornecendo um método fundamentado para a avaliação de risco zero-day. O trabalho postula que a diversidade semântica, quando regulada através de fusão consciente de confiança, atua como uma vantagem sistêmica para a generalização. O sistema proposto é apresentado como uma solução teoricamente fundamentada para a próxima geração de cibersegurança que opera efetivamente sob cenários de ameaças dinâmicas sem exigir a coleta centralizada de dados ou o retreinamento em exemplos zero-day rotulados.

Limitações e Direções Futuras
Os autores reconhecem que a implementação atual depende de LLMs pré-treinados não especificamente ajustados para semânticas de segurança de rede e foca em características de nível semântico em vez de características brutas de pacotes. Eles observam que o mecanismo de confiança assume clientes "honest-but-curious" (honestos-mas-curiosos) e não aborda totalmente o envenenamento direcionado de embeddings semânticos. Trabalhos futuros são propostos para explorar modelagem de confiança adaptativa via aprendizado por reforço, integração de telemetria multimodal e estudos de implantação em larga escala em ambientes industriais de IoT do mundo real.