ZTA-FedGuard: Khung học liên kết có trọng số tin cậy động theo kiến trúc Zero Trust cho phát hiện xâm nhập IoT trong điều kiện dữ liệu không đồng nhất và tấn công poisoning
DOI:
https://doi.org/10.51453/3093-3706/2026/1480Abstract
Sự phát triển nhanh của Internet vạn vật làm gia tăng nhu cầu xây dựng hệ thống phát hiện xâm nhập có khả năng học từ nhiều miền dữ liệu phân tán mà không tập trung hóa lưu lượng mạng nhạy cảm. Học liên kết là một hướng tiếp cận phù hợp vì cho phép các cổng biên, tổ chức hoặc miền quản trị huấn luyện mô hình cục bộ và chỉ chia sẻ cập nhật mô hình. Tuy nhiên, môi trường IoT thực tế không thỏa mãn các giả định lý tưởng của học liên kết truyền thống: dữ liệu giữa các thiết bị thường không độc lập và không cùng phân phối, hành vi mạng thay đổi theo thời gian, và một số thiết bị hoặc gateway có thể bị chiếm quyền để gửi cập nhật độc hại. Bài báo này đề xuất ZTA-FedGuard, một khung học liên kết có trọng số tin cậy động dựa trên nguyên lý Zero Trust cho bài toán phát hiện xâm nhập IoT. Ý tưởng trung tâm của ZTA-FedGuard là không cấp quyền tin cậy mặc định cho bất kỳ cập nhật mô hình nào; mỗi cập nhật từ client phải được kiểm tra liên tục bằng các tín hiệu hình học, độ lệch chuẩn mạnh và tác động lên bộ đệm hiệu chuẩn tin cậy. Điểm bất thường thu được được chuyển thành giá trị tin cậy động và được dùng trong cơ chế gating để giới hạn hoặc loại bỏ ảnh hưởng của client đáng ngờ trước khi tổng hợp. Khác với các phương pháp tổng hợp mạnh chỉ dựa trên thống kê tọa độ, ZTA-FedGuard đưa khái niệm đặc quyền tổng hợp tối thiểu vào học liên kết, qua đó biến mỗi vòng huấn luyện thành một quá trình kiểm soát truy cập đối với mô hình toàn cục. Bài báo trình bày mô hình đe dọa, công thức toán học, thuật toán, phân tích an toàn, yêu cầu triển khai và các hướng nghiên cứu tiếp theo. Nội dung được xây dựng như một đóng góp phương pháp và phân tích lý thuyết, tập trung vào mô hình đe dọa, cơ chế tổng hợp và điều kiện triển khai.
Downloads
References
[1]: W. Gharibi, “Machine Learning and Cybersecurity—Trends and Future Challenges,” Electronics, 2025. <https://doi.org/10.3390/electronics14204007>
[2]: A. Hozouri, A. Mirzaei, and M. Effatparvar, “A comprehensive survey on intrusion detection systems with advances in machine learning, deep learning and emerging cybersecurity challenges,” Discover Artificial Intelligence, 2025. <https://link.springer.com/article/10.1007/s44163-025-00578-1>
[3]: K. Li et al., “Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things,” arXiv, 2025. <https://arxiv.org/html/2505.23792v1>
[4]: M. B. Bankó et al., “Advancements in Machine Learning-Based Intrusion Detection in IoT: Research Trends and Challenges,” Algorithms, 2025. <https://doi.org/10.3390/a18040209>
[5]: T. D. Nguyen, P. Rieger, M. Miettinen, and A.-R. Sadeghi, “Poisoning Attacks on Federated Learning-based IoT Intrusion Detection System,” DISS Workshop / NDSS, 2020. <https://www.ndss-symposium.org/wp-content/uploads/2020/04/diss2020-23003-paper.pdf>
[6]: H. Peng, C. Wu, and Y. Xiao, “FD-IDS: Federated Learning with Knowledge Distillation for Intrusion Detection in Non-IID IoT Environments,” Sensors, 2025. <https://doi.org/10.3390/s25144309>
[7]: S. Rose, O. Borchert, S. Mitchell, and S. Connelly, “Zero Trust Architecture,” NIST Special Publication 800-207, 2020. <https://doi.org/10.6028/NIST.SP.800-207>
[8]: B. McMahan, E. Moore, D. Ramage, S. Hampson, and B. Agüera y Arcas, “Communication-Efficient Learning of Deep Networks from Decentralized Data,” AISTATS / PMLR, 2017. <https://proceedings.mlr.press/v54/mcmahan17a.html>
[9]: T. Li, A. K. Sahu, M. Zaheer, M. Sanjabi, A. Talwalkar, and V. Smith, “Federated Optimization in Heterogeneous Networks,” MLSys, 2020. <https://proceedings.mlsys.org/paper/2020/hash/1f5fe83998a09396ebe6477d9475ba0c-Abstract.html>
[10]: P. Blanchard, E. M. El Mhamdi, R. Guerraoui, and J. Stainer, “Machine Learning with Adversaries: Byzantine Tolerant Gradient Descent,” NeurIPS, 2017. <https://papers.nips.cc/paper/6617-machine-learning-with-adversaries-byzantine-tolerant-gradient-descent>
[11]: D. Yin, Y. Chen, R. Kannan, and P. Bartlett, “Byzantine-Robust Distributed Learning: Towards Optimal Statistical Rates,” ICML / PMLR, 2018. <https://proceedings.mlr.press/v80/yin18a.html>
[12]: M. Fang, S. Nabavirazavi, Z. Liu, W. Sun, S. Iyengar, and H. Yang, “Do We Really Need to Design New Byzantine-robust Aggregation Rules?” NDSS, 2025. <https://www.ndss-symposium.org/ndss-paper/do-we-really-need-to-design-new-byzantine-robust-aggregation-rules/>
[13]: C.-J. Li, P.-H. Huang, Y.-T. Ma, H. Hung, and S.-Y. Huang, “Robust Aggregation for Federated Learning by Minimum γ-Divergence Estimation,” Entropy, 2022. <https://doi.org/10.3390/e24050686>
Downloads
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
All articles published in SJTTU are licensed under a Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA) license. This means anyone is free to copy, transform, or redistribute articles for any lawful purpose in any medium, provided they give appropriate attribution to the original author(s) and SJTTU, link to the license, indicate if changes were made, and redistribute any derivative work under the same license.
Copyright on articles is retained by the respective author(s), without restrictions. A non-exclusive license is granted to SJTTU to publish the article and identify itself as its original publisher, along with the commercial right to include the article in a hardcopy issue for sale to libraries and individuals.
Although the conditions of the CC BY-SA license don't apply to authors (as the copyright holder of your article, you have no restrictions on your rights), by submitting to SJTTU, authors recognize the rights of readers, and must grant any third party the right to use their article to the extent provided by the license.
