インターネット・オブ・シングス（IoT）デバイスの急速な増加とその複雑さの増加により、ネットワーク侵入検知が主要な課題となり、特にデータプライバシーが主要な関心事となるエッジコンピューティング環境においてその重要性が高まっています。 機械学習ベースの侵入検知技術は、IoTネットワークのセキュリティを強化することができますが、通常、集中式のネットワークデータが必要であり、これにはデータプラバシーや安全に重大なリスクが伴います。 近年、プライバシー問題に対処するために、連邦学習ベースのネットワーク侵入検知方法が出現しましたが、これらの方法は侵入検知におけるグラフニューラルネットワーク（GNN）の利点を十分に活用していませんでした。 この問題を解決するために、フェッドSTGCN（FedSTGCN）という、時空データと連邦学習の能力を組み合わせたフレームワークを提案しています。 このフレームワークは、分散型のIoTデバイス間でモデルを共同でトレーニングすることをサポートし、元のデータを共有する必要がなく、データプライバシーを保護しながらネットワーク侵入検知の精度を向上させます。 広く使用されている2つのIoT侵入検知データセットで多くの実験を行い、提案手法の有効性を評価しました。 実験結果は、FedSTGCNが2クラス分類および多クラス分類のタスクで他の手法よりも優れており、2クラス分類のタスクで精度が97％を超え、多クラス分類のタスクで加重F1スコアが92％を超えていることを示しています。

インターネット・オブ・シングス; ネットワーク侵入検知; 時空グラフニューラルネットワーク; 連邦学習; データプライバシー