Towards Securing IIoT: An Innovative Privacy-Preserving Anomaly Detector Based on Federated Learning

Resumo Técnico: DyHFL para Detecção de Anomalias em IIoT

1. Problema e Motivação

A Internet Industrial das Coisas (IIoT) enfrenta desafios críticos relacionados à segurança cibernética e à privacidade de dados.

• Ameaças de Segurança: Ataques como injeção de comandos e negação de serviço (DoS) são comuns em sistemas ciber-físicos industriais (CPS), muitas vezes devido à natureza broadcast das comunicações sem fio e à falta de segurança em sistemas legados.
• Limitações das Abordagens Atuais:
  • Aprendizado Centralizado: Requer o envio de dados brutos para um servidor central, criando riscos de vazamento de dados, violação de privacidade e um único ponto de falha.
  • Aprendizado Federado (FL) Tradicional: Embora proteja a privacidade ao manter os dados locais, o FL enfrenta dois grandes obstáculos em ambientes heterogêneos de IIoT:
    1. Efeito "Straggler" (Atrasados): Em modos síncronos, o servidor deve esperar pelo agente mais lento para agregar o modelo, retardando todo o processo de treinamento.
    2. Gargalos de Comunicação e Privacidade: Modos assíncronos podem causar congestionamento e inconsistências. Além disso, o FL padrão ainda é vulnerável a ataques de inferência (ex: inversão de modelo) se os parâmetros do modelo não forem criptografados adequadamente.
  • Soluções Existentes: Métodos de privacidade como Privacidade Diferencial (DP) degradam a precisão do modelo devido ao ruído adicionado, enquanto Computação Multipartidária (MPC) impõe custos computacionais e de comunicação excessivos para aplicações em tempo real.

2. Metodologia Proposta: DyHFL

Os autores propõem o DyHFL (Dynamic Homomorphic Encryption-based Federated Learning), um novo framework que combina criptografia homomórfica e uma estratégia dinâmica de seleção de agentes para equilibrar privacidade, eficiência e justiça.

Componentes Principais:

• Criptografia Homomórfica (HE):

  • Utiliza o esquema Paillier para criptografar os parâmetros do modelo (pesos e vieses) antes da transmissão.
  • Permite que o servidor agregador realize operações de soma (agregação) diretamente sobre os dados criptografados sem precisar descriptografá-los.
  • Benefício: Garante que nem o servidor (mesmo que "honesto mas curioso") nem eavesdroppers externos possam inferir dados sensíveis ou reconstruir o modelo original, mantendo a precisão do modelo (ao contrário do DP).

• Seleção Dinâmica de Agentes (Mecanismo de Janela Deslizante):

  • Diferente de métodos estáticos que selecionam agentes apenas na primeira rodada, o DyHFL utiliza uma janela deslizante para monitorar o desempenho dos agentes em tempo real.
  • Métricas Avaliadas:
    1. Tempo de Treinamento (capacidade computacional).
    2. Tempo de Comunicação (latência de rede).
    3. Tamanho dos Dados Locais (desbalanceamento de carga).
  • Algoritmo de Decisão:
    • Fase Preliminar (Rodadas 1 a SW): O sistema calcula um limiar de tempo dinâmico usando a Média Ponderada (WAM) e a Média Móvel Exponencialmente Ponderada (EWA) sobre as métricas dos agentes.
    • Fase Subsequente: O servidor agrega atualizações assim que um número suficiente de agentes (definido pelo limiar) responde, sem esperar por todos. Isso mitiga o efeito straggler sem excluir permanentemente agentes lentos, garantindo justiça.

• Fluxo de Trabalho:

  1. Geração de chaves (Pública/Privada) por uma terceira parte confiável.
  2. Treinamento local nos agentes.
  3. Criptografia dos parâmetros locais.
  4. Envio ao servidor e agregação homomórfica.
  5. Envio do modelo global criptografado de volta e descriptografia pelos agentes.

3. Contribuições Chave

1. Novo Framework de Detecção: Integração de Deep Learning (MLP) com HE para detectar ameaças cibernéticas em CPS industriais.
2. Equilíbrio Síncrono/Assíncrono: Um framework de FL baseado em buffer que combina os benefícios da estabilidade síncrona com a eficiência assíncrona, resolvendo o dilema do straggler em ambientes heterogêneos.
3. Estratégia de Seleção Adaptativa: Um método inovador que ajusta a seleção de agentes a cada rodada de treinamento com base em três métricas (tempo de treino, comunicação e tamanho de dados), superando métodos estáticos que falham em cenários dinâmicos.
4. Validação Robusta: Avaliação extensiva em três conjuntos de dados industriais distintos (Gas Pipeline, WUSTL IIoT, Edge IIoT) com distribuições de dados idênticas e não idênticas (Dirichlet e No-Label-Skew).

4. Resultados Experimentais

O DyHFL foi comparado com cinco métodos de base (SyncFL, AsyncFL, FedBuff, ASR Fed, BFL) e demonstrou superioridade em todas as métricas principais:

• Velocidade de Convergência:
  • O DyHFL convergiu significativamente mais rápido. Em dados não idênticos (No-Label-Skew), foi 158 vezes mais rápido que o AsyncFL e 60 vezes mais rápido que o FedBuff no conjunto de dados WUSTL IIoT.
  • Reduziu drasticamente o número de rodadas necessárias para atingir a precisão-alvo (ex: 94.6% a 99.8%).
• Justiça na Seleção de Agentes (Fairness):
  • O DyHFL alcançou uma taxa de seleção de agentes lentos (Straggler Rate Selection - SRS) média de 56,44%, quase o dobro do método BFL (29,62%).
  • Mantém uma taxa de seleção de agentes rápidos (Fast Rate Selection - FRS) de 100%, garantindo eficiência sem sacrificar a inclusão de dispositivos mais lentos.
• Custo de Comunicação:
  • Apresentou custos de comunicação menores que métodos síncronos e assíncronos tradicionais, devido à seleção inteligente de agentes e ao uso de buffers otimizados.
  • Testes t-est (p < 0.05) confirmaram que a redução de custos é estatisticamente significativa.
• Desempenho do Modelo:
  • Alcançou as maiores pontuações em Precisão, Recall e F1-Score em todos os cenários, superando o BFL e o SyncFL.
  • O estudo de ablação mostrou que a seleção dinâmica de agentes é o principal motor da eficiência, enquanto a HE adiciona privacidade sem degradar a precisão do modelo.

5. Significado e Conclusão

O trabalho demonstra que é possível construir sistemas de detecção de anomalias em IIoT que são simultaneamente privados, eficientes e justos.

• Impacto Prático: O DyHFL resolve o trade-off clássico entre segurança (HE) e desempenho (latência/estratégia de seleção), tornando-o viável para aplicações industriais em tempo real onde a privacidade dos dados é crítica e os dispositivos possuem capacidades heterogêneas.
• Futuro: Os autores sugerem futuras otimizações, como o uso de chaves geradas distribuídamente (DKG) para eliminar o terceiro partido confiável e técnicas de compressão para reduzir a sobrecarga de criptografia em dispositivos de baixa potência.

Em suma, o DyHFL estabelece um novo estado da arte para a segurança e eficiência em redes industriais inteligentes, oferecendo uma solução robusta contra ataques cibernéticos sem comprometer a privacidade dos dados ou a velocidade de resposta do sistema.