Võrgutehnoloogiate kiire areng ja andmemahtude kasv suurendavad küberohtude keerukust, eriti kuna keerukad küberrünnakud on üha enam suunatud asjade interneti (IoT) ja meditsiiniliste asjade interneti (IoMT) võrkudele. Kuigi masinõppe (ML) mudelid on näidanud paljulubavaid lahendusi pahatahtlike tegevuste avastamiseks sellistes võrkudes, piirab mudelite tõlgendatavuse ja läbipaistvuse puudumine sageli nende tõhusust ja usaldusväärsust. Käesolevas doktoritöös uuritakse tõhusate, tõlgendatavate, läbipaistvate ja privaatsust säilitavate masinõppepõhiste sissetungide avastamissüsteemide (IDS) arendamist nii tsentraliseeritud kui ka detsentraliseeritud (föderaalse õpe) keskkondades.
Kuigi ML- ja DL-põhised IDS-id on saavutanud kõrge klassifitseerimistäpsuse, tekitab nende sõltuvus tsentraliseeritud andmesalvestusest privaatsuse ja turvalisuse probleeme. Federated Learning (FL) lahendab need probleemid, võimaldades detsentraliseeritud, privaatsust säilitavat mudelitreenimist, kus andmed jäävad lokaalsetesse andmebaasidesse ja ainult mudeli parameetrid jagatakse keskse serveriga. Siiski on selles keskkonnas tekkinud ML-mudeli selgitamine keeruline FL-i keeruka olemuse tõttu, eriti post hoc XAI-meetodite kasutamisel. Traditsioonilised post hoc XAI meetodid nõuavad selgituste andmiseks juurdepääsu sisendandmetele, mis rikub FL-i privaatsust serverimudeli selgitamisel. Käesolevas väitekirjas käsitletakse selgitavuse väljakutset föderatiivsel õppel (FL) põhinevas IDS-is, kus privaatsuspiirangud piiravad juurdepääsu andmetele post hoc selgituste andmiseks. Selle ületamiseks pakutakse välja föderatiivse seletatava tehisintellekti (Fe-dXAI) raamistik, mis integreerib SHAP-i privaatsust säilitaval viisil, koondades turvaliselt kliendipõhised SHAP-väärtused, et ligikaudselt arvutada serverimudeli seletused nii binaarsete kui ka mitmeklassiliste IoT-rünnakute tuvastamiseks.

Doktoritöö on avaldatud Tehnikaülikooli raamatukogu digikogus

Juhendajad: kaasprofessor tenuuris Sven Nõmm ning professor Hayretdin Bahsi (TalTech)

Oponendid:

• professor Jianhua Zhang (Oslo Metropolitani Ülikool, Norra)
• professor Abdulhamit Subasi (New Yorgi Osariigi Ülikool Albanys, USA

Jälgi avalikku kaitsmist Zoomis

Meeting ID 884 983 3907
Passcode 584691