Botnet detection using federated learning with energy-based flow classifier

Abstract

Este trabalho investiga a aplicação do classificador baseado em fluxo de energia (EFC) no contexto de aprendizado federado para a detecção de tráfego malicioso em redes. Utilizamse dados das bases CTU e ISOT, distribuídos entre dois e quatro dispositivos, com diferentes proporções entre treino e teste, simulando cenários realistas de heterogeneidade estatística e operacional. O estudo explora duas estratégias de agregação de modelos locais: média ponderada e média aritmética, com o objetivo de avaliar como o tipo de agregação e a distribuição dos pesos entre os dispositivos impactam o desempenho do sistema global. São empregadas métricas complementares, como F1-score e AUC-ROC, para medir a precisão, a robustez e a capacidade de generalização do classificador agregado. Os resultados indicam que a média ponderada tende a oferecer maior controle sobre a influência de dispositivos com qualidade superior de aprendizado, resultando em classificações mais eficazes, especialmente em cenários com alta variabilidade nas distribuições energéticas. Já a média aritmética, embora mais simples, mostra-se sensível à presença de modelos locais com desempenho inferior.