분산형 안드로이드 기기 위협 방어를 위한 클라이언트 측 동적 가중치를 갖는 합의 제약 이중 연합 최적화

스마트폰, 스마트 홈 허브, 웨어러블 기기는 점점 더 정교한 Android 악성코드에 노출되고 있으며, 중앙 집중식 위협 탐지 파이프라인은 개인 정보 보호 및 확장성 문제를 야기합니다. 연합 학습(Federated learning, FL)은 원시 클라이언트 데이터를 수집하지 않고도 협업적인 모델 훈련을 가능하게 하지만, 부분적 참여와 국소 모델 품질의 변화는 전역 최적화를 불안정하게 만들 수 있습니다. 본 논문에서는 원시-쌍대 조정(primal-dual coordination)과 성능 의존적 클라이언트 측 가중치를 결합한 연합 최적화 프레임워크인 DW-FedADMM을 제안합니다. 이 동적 계수는 증강 라그랑지안 업데이트(augmented-Lagrangian update) 전에 각 참여 클라이언트의 국소 상태를 조절하며, 쌍대 변수(dual variables)는 국소 모델 상태와 전역 모델 상태 간의 불일치를 규제합니다. 우리는 Drebin, Malgenome, TUANDROMD라는 세 가지 Android 악성코드 벤치마크에서 DW-FedADMM을 평가했으며, 이 과정에서 5개, 10개, 15개의 클라이언트가 IID 데이터 조각(data shards)을 보유하고, 부분적 클라이언트 참여 및 5회와 10회의 통신 예산이 주어졌습니다. 각 구성은 열 번의 무작위 시드(random seeds)로 반복되었습니다. DW-FedADMM은 Drebin에서 가장 높은 시드 평균 정확도(97.64% +/- 0.20%)를 달성했으며, 10회 예산이 주어진 9가지 구성 중 7가지를 포함하여 총 18개 데이터셋-클라이언트-라운드 구성 중 9가지에서 최고의 평균 정확도를 보였습니다. 모든 구성을 통합했을 때, DW-FedADMM은 95.42%의 정확도, 94.62%의 F1-score, 96.06%의 정밀도(precision), 그리고 99.45%의 AUC를 달성했습니다. 이는 FedADMM의 수치인 95.32%, 94.51%, 95.56%, 99.41%와 비교됩니다. 또한, 여섯 가지 비교된 방법 중 가장 낮은 평균 오탐률(false-positive rate)과 가장 작은 클라이언트 업데이트 노름(client update norm)을 제공했습니다. 두 원시-쌍대 방식 모두 Malgenome과 TUANDROMD에서 단순 평균 기반 및 근접 기반 기준선보다 훨씬 우수했으며, 특히 후자(TUANDROMD)는 클라이언트가 파편화되었을 때 종종 다수 클래스 해(majority-class solution)에 머무르는 경향을 보였습니다. 동적 가중치가 FedADMM 대비 가장 두드러진 이점을 보이는 경우는 Drebin에서이며, 통신 예산이 더 길 때 이러한 효과가 나타나며 시드 간의 변화도 줄여줍니다.