Resumen

Los algoritmos existentes de detección de intrusiones en redes inalámbricas basados en aprendizaje supervisado enfrentan muchos desafíos, como una alta tasa de detección de falsos positivos, dificultad para encontrar comportamientos de ataques desconocidos y alto costo para obtener conjuntos de datos de entrenamiento etiquetados. Este artículo presenta un algoritmo de agrupamiento -means mejorado para detectar intrusiones en redes inalámbricas basado en Aprendizaje Federado. El algoritmo propuesto permite que múltiples participantes entrenen un modelo global sin compartir sus datos privados y puede ampliar la cantidad de datos en el modelo de entrenamiento y proteger los datos locales de cada participante. Además, se introduce la distancia coseno de múltiples perspectivas en el algoritmo para medir la similitud entre objetos de datos de red en el proceso de agrupamiento -means mejorado, lo que hace que los resultados del agrupamiento sean más razonables y el juicio del comportamiento de los datos de red más preciso. El conjunto de datos de ataque de red inalámbr

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Algoritmos de detección de intrusiones; Aprendizaje supervisado; Tasa de detección falsa; Aprendizaje Federado; Algoritmo de agrupamiento; Redes inalámbricas
• Keywords:Intrusion detection algorithms; Supervised learning; False detection rate; Federated Learning; Clustering algorithm; Wireless networks