Blockchain-Augmented Federated Learning Intrusion Detection System for Non-IID Edge-IoT Data Using Adaptive Trimmed Mean Aggregation = 비동질(Non-IID) 엣지-IoT 데이터를 위한 적응형 절사평균(Trimmed Mean) 집계를 적용한 블록체인 강화 연합학습 침입 탐지 시스템

국문 초록 (Abstract)

사물인터넷(IoT)이 자원이 제한된 장치들이 분포된 엣지 네트워크로 빠르게 확장됨에 따라, 심각한 보안 문제가 제기되고 있다. 본 논문에서는 블록체인 기술과 연합 학습(Federated Learning, FL), 그리고 적응형 절사평균 집계(Adaptive Trimmed Mean Aggregation, ATMA)라 불리는 맞춤형 집계 전략을 결합한 강력한 엣지-IoT 침입 탐지 시스템(IDS)을 제안한다. 제안된 설계는 개인 블록체인을 활용하여 클라이언트를 인증하고 최종 글로벌 모델을 변경 불가능한 형태로 기록함으로써, 검증된 참여자만이 학습 과정에 기여하도록 보장한다.

한편, ATMA 전략은 기존 연구의 고정 임계값 기반 절단 방식과 달리, 클라이언트 모델 업데이트의 분산(variance)을 관찰하여 절단 파라미터를 동적으로 조정한다. 이러한 분산 인식 적응형 절단 방식은 모델 정확도를 희생하지 않으면서도 강력한 비잔틴(Byzantine) 내성을 제공하며, 정렬 기반 구현을 통해 O(n log n)의 시간 복잡도로 동작한다.

제안된 프레임워크는 독립적이고 동일 분포(IID) 및 비독립·비동일 분포(Non-IID) 데이터 환경에서, 악성 클라이언트 비율이 0%에서 60%에 이르는 상황에서 라벨 플리핑(label-flipping)과 가우시안 노이즈(Gaussian noise) 공격이 결합된 적대적 시나리오로 평가되었다. 평가 결과, 블록체인 기반 ATMA 접근법은 심각한 공격 상황에서도 높은 탐지 성능을 유지했으며, 최대 60%의 클라이언트가 손상된 상황에서도 거의 완벽한 정확도를 달성하였다. 또한 계산 및 네트워크 오버헤드는 최소 수준으로 유지되었다. 이러한 결과는 제안된 접근법이 고도화된 사이버 위협으로부터 엣지-IoT 배포 환경을 보호하기 위한 확장 가능하고 안전한 솔루션임을 시사한다.

목차 (Table of Contents)

• Chapter 1: Introduction
• Chapter 2: Literature Review
• Chapter 3: System Model and Architecture
• Chapter 4: Adaptive Trimmed Mean Aggregation Algorithm (ATMA)
• Chapter 5: Implementation and Prototype
• Chapter 6: Evaluation, Results and Discussion
• Chapter 7: Conclusion and Future Work
• References