Un apprentissage fédéré avec une sélection de clients pour la détection d’intrusions réseau

Bououdina, Selma (2020). Un apprentissage fédéré avec une sélection de clients pour la détection d’intrusions réseau. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (2MB) | Prévisualisation
Prévisualisation	PDF Télécharger (480kB) | Prévisualisation

Résumé

Une quantité toujours plus large de données sensibles sont produites et stockées sur des machines personnelles. La vision centralisée qui prévalait auparavant en apprentissage automatique est donc en train de changer et un fort accent est mis sur la vie privée. Ces données importantes peuvent aider les chercheurs à analyser et à comprendre des phénomènes et des modèles intéressants. Bien que les avantages d’un traitement massif de ces données soient incontestables, ils représentent malheureusement une menace considérable pour la vie privée des utilisateurs qui peuvent subir des conséquences importantes. L’objectif principal est d’étudier le problème de la confidentialité des données des utilisateurs privés et de proposer des solutions qui préservent la vie privée. Les méthodes d’apprentissage automatique standard exigent que les données d’apprentissage soient centralisées en un seul endroit. L’un des objectifs est de concevoir, de mettre en oeuvre et d’évaluer des méthodes fédérées novatrices et pratiques d’analyse des données privées. Différents ensembles de données, avec des structures différentes et parfois complexes, seront pris en compte. Dans ce cadre, nous proposons l’apprentissage fédéré ou encore federated learning une orientation prometteuse qui utilise une approche décentralisée sur un jeu de données connu dans la littérature. Pour ce faire, toutes les entités participantes, comme les utilisateurs d’un téléphone intelligent, doivent partager leurs ensembles de données. L’apprentissage fédéré permet à différentes entités d’apprendre en collaboration un modèle de prévision partagé sans partager leurs données locales. Nous étudierons les méthodes existantes basées sur une approche d’apprentissage profond pour la détection d’intrusions sur le réseau. Enfin, nous offrons une solution au problème posé en proposant une optimisation d’un algorithme d’apprentissage distribué s’appuyant sur deux paradigmes d’apprentissage existant les autoencoders et l’apprentissage fédéré. Nous détaillerons notre approche, son implémentation en comparant ses performances avec les méthodes existantes.

Titre traduit

Federated approach preserving privacy for network intrusion detection

Résumé traduit

An ever increasing amount of sensitive data is produced and stored on personal machines. The centralized view that prevailed previously in machine learning is therefore changing and a strong emphasis is placed on privacy which can help researchers analyze and understand interesting phenomena and models. While the benefits of massive data processing are indisputable, they also represent a significant threat to the privacy of users who may suffer significant consequences. Our main objective in this research is to study users privacy problem and to propose solutions that preserve privacy. Traditional machine learning methods require that learning data be centralized in one place. One of the goals is to design, implement, and evaluate innovative federated and practical methods for private data analysis. Different sets of data, with different (sometimes complex) structures, will be taken into account. In this context, we will propose federated learning ; is a promising direction that uses a decentralized approach on a well-known dataset in the literature. To achieve the task, all participating entities, such as smartphone users, must share their datasets. Federated learning allows different entities to collaboratively learn a shared model without sharing their local data. We will study existing methods based on a deep Learning approach for network intrusion detection. Finally, we will offer a solution to the problem by proposing an optimization for our distributed learning algorithm based on two existing Learning paradigms, autoencoders and federated learning.We will detail our approach, its implementation by comparing its performance with existing methods.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie". Comprend des références bibliographiques (pages 91-100).
Mots-clés libres:	préservation de la vie privée, approche décentralisée, algorithmes distribués, apprentissage fédéré, réduction de la dimensionnalité, autoencodeurs
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Talhi, Chamseddine
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	01 févr. 2022 19:15
Dernière modification:	01 févr. 2022 19:15
URI:	https://espace.etsmtl.ca/id/eprint/2447

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt