Robust IoT Security: Intrusion Detection Leveraging Contributions from Multiple Systems

Syfte och mål

Intrångsdetekteringssystem (IDS) är viktiga komponenter i en effektiv försvarsstrategi för Internet of Things (IoT)-cybersäkerhet. Effektiva lösningar baserade på maskininlärning förlitar sig på tillgänglighet av data från tidigare intrång. Målet med projektet är att utforska och tillhandahålla integritetsbevarande och robusta tekniker för att bygga starka IDS med bidrag från flera aktörer och system. Projektet fokuserar särskilt på metoder för att hantera den förväntade dataheterogeniteten i federated learning bland en uppsättning IoT-nätverksleverantörer.

Förväntade effekter och resultat

Det förväntade resultatet av projektet är nya metoder baserade på federerat lärande (FL) som är specifikt anpassade för heterogena data från olika aktörer och system, och nya plattformsverktyg som implementeras i ett FL-system med öppen källkod, med framtida implementeringar inom svensk industri.

Planerat upplägg och genomförande

Projektet är ett samarbete mellan Uppsala universitet (informationsteknologi) och Scaleout Systems AB. Utvalda resultat från forskning om kunskapsdelning under data heterogenitet och modell robusthet kommer att implementeras i Scaleouts open-source federated learning plattform, och därmed göras tillgänglig för forskare och industri.