FBID: Apprendimento Federato Personalizzato Adattivo per il Rilevamento Robusto di Attacchi OOD nell'IoT

Uno studio recente introduce FBID (Federated Bandit Intrusion Detection), un framework innovativo di apprendimento federato personalizzato volto a migliorare il rilevamento di attacchi fuori distribuzione (OOD) in reti IoT eterogenee. Questa ricerca, disponibile su arXiv (2608.04073), evidenzia le carenze delle attuali tecniche PFL che dipendono dall'auto-ottimizzazione lato client, che può portare a un'eccessiva personalizzazione e a un indebolimento del rilevamento OOD. FBID implementa il controllo della personalizzazione lato server tramite un bandit contestuale multi-braccio, regolando l'intensità dell'addestramento locale di ciascun client in base a prestazioni e comportamento. Include anche un meccanismo di fusione basato sulla fiducia per generare coefficienti di interpolazione specifici per il client tra modelli globali e locali. Questo framework mira a rafforzare la resilienza contro gli attacchi OOD in contesti di dati non-IID, rendendolo cruciale per il rilevamento di intrusioni nell'IoT.