사물 인터넷(IoT) 장치의 빠른 증가와 복잡성 증가로 네트워크 침입 탐지가 주요 도전 과제가되었으며, 특히 데이터 프라이버시가 중점인 엣지 컴퓨팅 환경에서 그 중요성이 커졌습니다. 기계 학습 기반의 침입 탐지 기술은 사물 인터넷 네트워크의 안전성을 강화 할 수 있지만 일반적으로 중앙 집중식 네트워크 데이터가 필요하여 데이터 개인 정보 보호 및 안전에 중대한 위험을 가지고 있습니다. 최근 몇 년 동안 개인 정보 보호 문제에 대응하기 위해서 연합 학습 기반의 네트워크 침입 탐지 방법이 나타났지만 이러한 방법들은 네트워크 침입 탐지에서 그래프 신경망(GNN)의 장점을 충분히 활용하지 못하였습니다. 이러한 문제를 해결하기 위해 연방 시공간 그래프 합성곱 신경망 프레임워크(FedSTGCN)를 제안하였는데, 이 프레임워크는 시공간 그래프 신경망(STGNN)과 연방 학습의 능력을 결합 하였습니다. 이 프레임워크는 원본 데이터를 공유 할 필요 없이 분산 된 사물 인터넷 장치 사이에서 모델을 공동으로 훈련시키며, 데이터 프라이버시를 보호하는 동시에 네트워크 침입 탐지의 정확성을 향상 시킵니다. 널리 사용되는 두 가지 사물 인터넷 침입 탐지 데이터 세트에서 많은 실험을 진행하여 제안 된 방법의 효과를 평가하였습니다. 실험 결과는 FedSTGCN이 이중 분류 및 다중 분류 작업에서 다른 방법보다 우수하며 이중 분류 작업에서 정확도가 97%를 초과하고 다중 분류 작업에서 가중 F1 점수가 92%를 넘었다는 것을 보여줍니다.

사물 인터넷; 네트워크 침입 탐지; 시공간 그래프 신경망; 연방 학습; 데이터 프라이버시