Resumo Técnico: TITAN – Three-Tier Intrusion-Detection Tree-Based Adaptive Network

1. Definição do Problema

O artigo aborda dois desafios críticos e compostos no Aprendizado Federado (FL) para detecção de intrusão em Internet das Coisas Industrial (IIoT):

1. Particionamento Não-IID Severo: Em ambientes IIoT, dispositivos individuais observam fatias disjuntas de tráfego de ataque. Classes inteiras de ataques podem estar ausentes de dispositivos específicos, violando a suposição de distribuição independente e identicamente distribuída (IID) na qual o FL padrão se baseia.
2. Desbalanceamento de Classe Extremo: Classes de ataques operacionais (ex: ataques web, força bruta) são frequentemente raras, compreendendo menos de 0,1% das amostras, enquanto fluxos dominantes (DoS/DDoS) podem exceder 94%.

As soluções existentes falham ao abordar a interseção desses problemas. Métodos no espaço de parâmetros (ex: FedAvg, FedProx) assumem modelos diferenciáveis (redes neurais), excluindo aprendizes baseados em árvores eficientes como o LightGBM, que se destaca em dados tabulares de fluxo. Além disso, esses métodos frequentemente realizam a média de pesos de uma forma que dilui a expertise de classes minoritárias, levando a modelos globais mal calibrados que sacrificam o recall em favor da acurácia de classes majoritárias. Métodos de nível de predição frequentemente exigem um conjunto de dados público compartilhado para destilação de conhecimento, o que conflita com as regulamentações de minimização de dados e residência de dados em IIoT.

2. Metodologia: A Arquitetura TITAN

O TITAN (Three-Tier Intrusion-Detection Tree-Based Adaptive Network) é uma arquitetura federada hierárquica que troca apenas saídas de predição e pequenas estatísticas de resumo, nunca dados brutos, gradientes ou parâmetros de modelo. É projetado especificamente para aprendizes baseados em árvores não-diferenciáveis.

Nível 1: Treinamento ao Nível do Dispositivo

Cada dispositivo ($D=20$) treina um classificador LightGBM independente em seus dados locais Não-IID através de um cronograma de boosting adaptativo de quatro fases:

• Fase 1 (Base Balanceada): Treina com pesos de classe balanceados.
• Fase 2 (Refinamento de Amostras Difíceis): Utiliza um expoente de perda focal adaptativa derivado dos escores F1 da Fase 1 para focar em amostras difíceis sem sobrescrever as fronteiras da maioria.
• Fase 3 (Rebalanceamento por Classe): Rebalanceia condicionalmente classes com baixos escores F1, desde que atendam a uma contagem mínima de amostras para evitar overfitting em amostras únicas (singletons).
• Fase 4 (Enriquecimento de Minorias): Realiza o subamostragem da classe dominante para uma razão relativa à segunda maior classe, retendo todas as amostras minoritárias, permitindo que o modelo forme nós folha para classes raras.

Após o treinamento RAW, um modelo META é treinado usando um design out-of-fold (OOF). Ele utiliza as predições do modelo RAW em uma partição mantida fora da amostra (held-out) como características de entrada. Isso evita o problema do "professor degenerado", onde um modelo prevê quase perfeitamente em seus próprios dados de treinamento. O dispositivo comunica apenas esses vetores de probabilidade META ($K$-classes) e pequenos resumos de rótulos para o edge.

Nível 2: Ensemble de Destilação de Conhecimento ao Nível do Edge

Os dispositivos são agrupados em clusters de borda ($E=5$). Cada edge treina um ensemble LightGBM que aprende a confiar em dispositivos específicos para classes específicas.

• Destilação de Conhecimento Adaptativa (KD): O edge utiliza um professor OOF autossuficiente, construído a partir das saídas META dos dispositivos membros de seu próprio cluster, para gerar rótulos suaves (soft labels).
• Mecanismos de Portão (Gating): Para evitar que professores não confiáveis corrompam o aluno, quatro portões multiplicativos modulam o sinal de KD:
  1. Portão de Entropia: Suprime a KD se o professor estiver excessivamente confiante (próximo de one-hot).
  2. Portão de Suporte: Desabilita a KD para classes ausentes nos rótulos locais do edge.
  3. Portão de Recall: Escala a KD com base no recall por classe do professor.
  4. Portão de Frequência de Classe: Impede que o viés da maioria dilua o aprendizado de classes minoritárias.
• Agregação: Na avaliação, o edge agrega as saídas dos dispositivos usando pesos de expertise estáticos (baseados em contagens de amostras de treinamento) e pesos de confiança dinâmicos.

Nível 3: Fusão Bayesiana Global

O nível global funde as predições dos cinco edges usando um framework de Produto de Especialistas (PoE) Bayesiano.

• Mascaramento de Expertise: Uma máscara de expertise por classe ($m_{e,k}$) silencia edges que carecem de suporte de treinamento para uma classe específica, evitando que especialistas não informados emitam vetos de "proximidade de zero confiante" que suprimiriam classes raras.
• Resgate de Classe Rara (Painel de Especialistas): Se a fusão Bayesiana falhar em atribuir uma probabilidade majoritária a uma classe rara (ou se a classe for globalmente rara), um "Painel de Especialistas" composto pelos 5 melhores dispositivos (classificados por expertise local) vota para resgatar o sinal.
• Calibração com Portão de Segurança: Um pipeline de calibração de três estágios refina as probabilidades finais:
  1. Escalonamento de Temperatura (Temperature Scaling).
  2. Mistura de Meta-aprendiz (stacking de saídas do edge).
  3. Ajuste de viés de log-odds por classe.
     Crucialmente, cada estágio é "protegido por um portão de segurança" via macro-F1; se um passo não melhorar o macro-F1, o sistema reverte para o valor anterior.

3. Principais Contribuições

1. Federação de Nível de Predição para Aprendizes Baseados em Árvores: O TITAN possibilita o aprendizado federado para LightGBM sem um conjunto de dados público compartilhado. Ele substitui a média de parâmetros pela troca no espaço de predição, usando um professor OOF para gerar alvos suaves localmente, aderindo assim às regras de minimização de dados.
2. Gating de Expertise por Classe: A arquitetura introduz uma máscara de expertise por (edge, classe) na camada de fusão Bayesiana. Isso permite silenciar especialistas desinformados sobre classes específicas, um mecanismo necessário em federações onde classes inteiras estão ausentes de certas partições.
3. Calibração de Múltiplos Estágios com Portão de Segurança: Ao contrário de trabalhos anteriores que otimizam métricas de calibração (como ECE) isoladamente, o TITAN integra a calibração no pipeline federado com um portão de segurança impulsionado pelo macro-F1. Isso garante que ajustes de calibração não degradem a detecção de classes minoritárias.
4. Protocolo de Avaliação Rigoroso: O artigo estabelece um protocolo reproduzível em 16 configurações (4 conjuntos de dados $\times$ 2 severidades de Não-IID $\times$ 2 estratégias de agrupamento) com deduplicação rigorosa ao nível de linha para evitar inflação de acurácia.

4. Resultados Experimentais

Avaliado em quatro benchmarks de IoT (CIC IoT-DIAD 2024, CIC IoT 2023, NF-BoT-IoT-V3, NF-ToN-IoT-V3) sob condições rigorosas de Não-IID ($\alpha=0.1$):

• Desempenho vs. Baselines: O TITAN supera o Federated Averaging (FedAvg) em uma média de 6,2 pontos percentuais em macro-F1 em todas as configurações.
• Severidade Não-IID: A lacuna de desempenho aumenta com a heterogeneidade dos dados. Nas divisões mais heterogêneas, o TITAN excede o FedAvg em 23,3 pontos percentuais.
• Comparação com Oracle: O TITAN supera o "Melhor Dispositivo Oracle" (o melhor modelo local único) em 14 de 16 configurações e supera o teto centralizado em 11 configurações.
• Fonte de Ganho: O artigo observa que os ganhos são impulsionados principalmente pelas melhorias na calibração e não apenas no poder de discriminação bruto, destacando a importância do pipeline de calibração no tratamento do desbalanceamento de classes.
• Falha de Alternativas: O estudo observa que o FedProx não consegue melhorar o FedAvg em aprendizes baseados em árvores e que avaliações de métrica única (acurácia) escondem falhas severas em classes minoritárias (o "paradoxo da acurácia").

5. Significância e Alegações

O artigo afirma que o TITAN fornece um caminho viável para a detecção de intrusão federada em IIoT, onde a residência de dados, o desbalanceamento extremo e as distribuições Não-IID impedem o uso de abordagens padrão de FL baseadas em média de parâmetros.

• Novidade Arquitetural: É o primeiro IDS federado que combina aprendizes baseados em árvores, ausência de conjunto de dados compartilhado, gating de expertise por classe e calibração com portão de macro-F1 em um único framework.
• Relevância Operacional: Ao focar em macro-F1 e calibração, o TITAN aborda a "falácia da taxa de base", onde a alta acurácia mascara a falha em detectar ataques raros e críticos.
• Escalabilidade: A arquitetura suporta partições heterogêneas variando de 28 a mais de 2 milhões de amostras por dispositivo, demonstrando robustez através de diferentes escalas de dados.

Os autores posicionam o TITAN não apenas como uma melhoria de desempenho, mas como uma evolução necessária do FL para dados tabulares de alto risco, onde abordagens centradas em redes neurais são computacionalmente ineficientes ou estatisticamente incorretas.