FRAMEWORK DI FEDERATED LEARNING ORIENTATO ALLA PRIVACY PER IL RILEVAMENTO DELLE INTRUSIONI NELLE RETI IOT

In this thesis, an intrusion detection system for IoT networks based on Federated Learning (FL) is proposed, enabling the cooperative training of a global model without ever centralizing or exchanging raw traffic data. The traffic is partitioned among 3 simple nodes according to a heterogeneous (Non-IID) distribution, where each attack category resides on a single node, and the classifier is implemented with a Recurrent Neural Network (RNN), compared against a hybrid Convolutional Neural Network - Long Short-Term Memory (CNN-LSTM) model. The updates exchanged at each round are protected using multi-key homomorphic encryption (xMK-CKKS), allowing the aggregator node to combine them without ever viewing the plaintext weights. Node divergence is mitigated using the FedProx aggregation strategy, compared against the standard FedAvg algorithm. The system is evaluated on the full CICIoT2023 dataset, measuring the necessary mitigations in a Non-IID environment and the cost of cryptographic protection.

In questa tesi viene proposto un sistema di rilevamento delle intrusioni per reti IoT basato su Federated Learning (FL), che consente l’addestramento cooperativo di un modello globale senza mai centralizzare o scambiare i dati grezzi di traffico. Il traffico viene suddiviso tra 3 nodi semplici secondo una partizione eterogenea (Non-IID), in cui ogni categoria di attacco risiede su un solo nodo, e il classificatore viene realizzato con una Recurrent Neural Network (RNN), confrontata con un modello ibrido Convolutional Neural Network - Long Short-Term Memory (CNN-LSTM). Gli aggiornamenti scambiati a ogni round sono protetti con cifratura omomorfa multi-chiave (xMK-CKKS), cosicché il nodo aggregatore possa combinarli senza mai vedere i pesi in chiaro. La divergenza tra i nodi viene contenuta con la strategia di aggregazione FedProx, valutata a confronto con l’algoritmo standard FedAvg. Il sistema è valutato sull’intero dataset CICIoT2023, misurando le mitigazioni necessarie in ambiente Non-IID e il costo della protezione crittografica.