APPRENDIMENTO FEDERATO PER LA RILEVAZIONE AVANZATA DELLE INTRUSIONI NELL'AGRICOLTURA INTELLIGENTE: UNO STUDIO COMPARATIVO DI FEDAVG, FEDPROX, FEDSGD CON MIGLIORAMENTO DELLA PRIVACY E MODELLO CENTRALIZZATO

Smart agriculture systems rely on interconnected sensors and devices to monitor and manage crops, livestock, and infrastructure, making them susceptible to cybersecurity threats. Intrusion detection is vital to safeguard these systems, and federated learning has emerged as a promising approach to enhance model performance while preserving data privacy. In this study, we perform a comprehensive comparative analysis of FedAvg, FedProx, and FedSGD with privacy enhancement techniques, alongside a centralized model, for intrusion detection in smart agriculture environments. Our research investigates the trade-offs between model performance, communication overhead, and data privacy. Through extensive experimentation, we demonstrate that federated learning approaches, when equipped with privacy enhancements, outperform the centralized model in terms of intrusion detection accuracy while preserving the confidentiality of sensitive data. This study sheds light on the applicability of federated learning to enhance security in smart agriculture, offering valuable insights for practitioners and researchers in the field.

I sistemi di agricoltura intelligente si affidano a sensori e dispositivi interconnessi per monitorare e gestire colture, bestiame e infrastrutture, rendendoli suscettibili a minacce informatiche. La rilevazione delle intrusioni è fondamentale per proteggere questi sistemi, e l'apprendimento federato è emerso come un approccio promettente per migliorare le prestazioni dei modelli preservando al contempo la privacy dei dati. In questo studio, abbiamo condotto un'analisi comparativa completa di FedAvg, FedProx e FedSGD con tecniche di miglioramento della privacy, insieme a un modello centralizzato, per la rilevazione delle intrusioni in ambienti di agricoltura intelligente. La nostra ricerca indaga i compromessi tra le prestazioni del modello, il sovraccarico di comunicazione e la privacy dei dati. Attraverso un'ampia sperimentazione, dimostriamo che gli approcci di apprendimento federato, quando dotati di miglioramenti per la privacy, superano il modello centralizzato in termini di accuratezza nella rilevazione delle intrusioni, preservando al contempo la riservatezza dei dati sensibili. Questo studio getta luce sull'applicabilità dell'apprendimento federato per migliorare la sicurezza nell'agricoltura intelligente, offrendo preziose intuizioni per i professionisti e i ricercatori del settore.