Apprentissage fédéré résilient aux attaques adversariales pour des nœuds périphériques hétérogènes dans les réseaux 5G avec des données non-IID

Le déploiement rapide des réseaux périphériques 5 G et Beyond-5 G (B 5 G) introduit des défis uniques pour les cadres d'apprentissage fédéré (FL) déployés à la périphérie, principalement en raison des distributions hétérogènes de données non-IID et des vulnérabilités adversariales. Cet article propose un mécanisme d'apprentissage fédéré robustement adversarial (ARFL) qui intègre une sélection hybride de caractéristiques et une optimisation adversariale pour renforcer conjointement la robustesse contre les perturbations adversariales et améliorer l'efficacité informatique sous des distributions de données hétérogènes. La méthodologie proposée optimise conjointement le classificateur et l'adversaire selon une formulation min-max pour permettre la robustesse face à des perturbations de forces variées. Les résultats expérimentaux sur un ensemble de données réel de détection d'intrusion 5G-NIDD montrent que le FL standard subit une détérioration drastique dans des conditions adversariales, avec une précision, une précision, un rappel et des scores F1 chutant à 20 %–30 % pour ϵ = 0,3. En revanche, le cadre ARFL proposé maintient systématiquement des performances supérieures à 92 % sur ces métriques sous toutes les distributions non-IID, soulignant sa robustesse et sa fiabilité. Globalement, ARFL atteint des améliorations absolues de la précision adversariale de 20 % à 70 % par rapport au FL standard tout en ne subissant qu'une réduction marginale des performances sur des données propres. Les expériences de scalabilité démontrent la stabilité et l'efficacité du cadre ARFL, mettant en évidence son adéquation pour les déploiements périphériques 5 G réels où la robustesse et l'efficacité sont primordiales.