CLAD: A Clustered Label-Agnostic Federated Learning Framework for Joint Anomaly

요약

CLAD는 IoT 및 IIoT 환경의 보안 문제를 해결하기 위해 제안된 포괄적인 연합 학습(FL) 프레임워크입니다. 이 프레임워크는 클러스터링과 새로운 듀얼 모드 마이크로 아키텍처($ ext{DM}^2 ext{A}$)를 통합하여, 기기 간의 이질성 문제와 라벨 부족 문제를 동시에 해결합니다. CLAD는 지도 학습(공격 분류)과 비지도 이상 탐지를 결합하고, 클러스터링을 통해 전역 모델 발산을 방지함으로써, 제한된 환경에서도 높은 보안 성능과 효율성을 달성할 수 있습니다.

핵심 포인트

• CLAD는 IoT/IIoT의 이질적 공격 표면 문제를 해결하는 연합 학습(FL) 프레임워크이다.
• 새로운 $ ext{DM}^2 ext{A}$ 아키텍처를 사용하여 비지도 이상 탐지 및 지도 학습 기반 공격 분류를 동시에 수행한다.
• 클러스터링 구성 요소가 유사한 트래픽 패턴을 가진 기기를 그룹화하여 모델 발산을 방지하고 효율성을 높인다.
• 라벨링되지 않은 클라이언트의 데이터를 활용할 수 있어 데이터 부족 문제를 해결하며, 성능 개선과 통신 비용 절감을 입증했다.