PVBRF-ID: Private, Verifiable and Byzantine-Robust Federated Intrusion Detection for Oilfield Enterprise Networks

Simulationscode, Rohdaten und Skripte zur Erstellung der Abbildungen für das Paper

Mustafa S. Aljumaily, Ali Ataeemh Allami, Mustafa N. Mnati, Nawar S. Alseelawi, Shahab Abdulla, "PVBRF-ID: Private, Verifiable and Byzantine-Robust Federated Intrusion Detection for Oilfield Enterprise Networks," arXiv preprint, 2026. (arXiv-Link wird nach der Ankündigung hinzugefügt.)

PVBRF-ID ist ein Zwei-Server-Aggregator für föderiertes Lernen. Die Standorte teilen ihre Modell-Updates mittels Secret Sharing auf; die Server prüfen gemeinsam die Norm jedes Updates und dessen Kosinusähnlichkeit zu einer sauberen Root-Set-Referenz innerhalb der Shares, geben ein Akzeptanz-Bit pro Standort preis und veröffentlichen Commitments, Merkle-Wurzeln und ein homomorphes Audit, sodass die Aufnahme akzeptierter Updates verifizierbar ist.

Umfang. Dies ist eine Simulation. Sicherer Vergleich, Range Proofs pro Koordinate, Beaver-Triple-Generierung und sicheres Clipping sind als ideale Funktionalitäten modelliert; die Pedersen-Gruppe ist eine Spielzeug-512-Bit-Gruppe, die nur zur Kostenskalierung dient. Die Experimente verwenden den öffentlichen Edge-IIoTset-Verkehr mit simulierten Standorten. Es wurden keine Betreiberdaten verwendet. Lesen Sie die Einschränkungen des Papers, bevor Sie eine Zahl zitieren.

Aufbau

Pfad	Zweck
`faithful_agg.py`	Protokollkern: additive Secret Sharing über GF(2^127-1), Festkomma-Kodierung, Beaver-Triple-Norm- und Kosinus-Tests (einschließlich des toleranten Falls tau < 0), SHA-256-Merkle-Inklusion, Pedersen-Commitments und das homomorphe Audit
`test_core.py`	12 Korrektheits- und Manipulationserkennungstests (`python test_core.py`)
`demo_sanity.py`	End-to-End-Sanity-Lauf auf synthetischen Daten plus ein Kosten-Benchmark
`exp_ref_tau.py`	Sweep über Referenzquelle x Kosinus-Schwellenwert x Angriff auf synthetischen Daten (einzelner Seed, nur Sanity)
`notebooks/faithful_agg_edgeiiot_v5_final.ipynb`	das Hauptexperiment: 870 Läufe (10 Seeds x 87 Konfigurationen) auf Edge-IIoTset
`notebooks/faithful_agg_edgeiiot_v5b_tolerance_attack.ipynb`	das ergänzende Experiment: 160 Läufe mit dem toleranzausnutzenden adaptiven Angreifer
`results/v5_full/`	Rohausgabe pro Lauf des Hauptexperiments (`results.csv`) und alle abgeleiteten Tabellen
`results/v5b_tolerance/`	Rohausgabe pro Lauf des ergänzenden Experiments
`make_figures.py`	generiert die Manuskript-Abbildungen 2-5 und die ergänzende Tabelle S3 aus den beiden `results.csv`-Dateien neu
`figures/`	die Manuskript-Abbildungen

Der Code und die Ergebnisdateien behalten den Entwicklungsnamen der Methode bei, faithful_agg / faithful_root; faithful_root_t-0.3 in results.csv ist PVBRF-ID mit der Root-Set-Referenz und tau = -0.3.

Reproduzieren

pip install -r requirements.txt
python test_core.py                 # 12 tests, about a minute
python make_figures.py              # figures from the shipped results, seconds

Um die Experimente erneut auszuführen, laden Sie die Edge-IIoTset-DNN-Datei herunter (DNN-EdgeIIoT-dataset.csv, 2.219.201 Flows; erhältlich bei den Dataset-Autoren über IEEE DataPort oder Kaggle), legen Sie sie unter data/DNN-EdgeIIoT-dataset.csv ab und führen Sie die beiden Notebooks aus dem Ordner notebooks/ der Reihe nach aus:

faithful_agg_edgeiiot_v5_final.ipynb (etwa 1,1-2,9 h auf 8 Kernen; wiederaufnehmbar; schreibt results/v5_full/)
faithful_agg_edgeiiot_v5b_tolerance_attack.ipynb (etwa 30 min; schreibt results/v5b_tolerance/)

Pfade können mit den Umgebungsvariablen EDGE_DATA, CORE_DIR und OUT_DIR überschrieben werden. Alle Läufe sind deterministisch gegeben die Seeds in config.json. Die vier Klartext-Baselines erscheinen in beiden Experimenten und müssen bis zur letzten Ziffer übereinstimmen; sie tun es.

Protokollzusammenfassung (eine Runde)

Die Server trainieren auf dem Root-Set, um das Referenz-Update r_t zu erhalten; veröffentlichen B_t = kappa * ||r_t|| und r_t / ||r_t||.
Jeder Standort teilt sein Update in zwei additive Shares auf, committet sich zu jedem Share (Pedersen) und sendet einen Share an jeden Server.
Die Server berechnen Shares von ||u_i||^2 und <u_i, r_t>^2 mit Beaver-Triples; ein idealer Vergleich gibt nur das Akzeptanz-Bit b_i preis.
Jeder Server summiert die akzeptierten Shares, veröffentlicht seinen aggregierten Share, die summierte Zufälligkeit, die Akzeptanz-Bitmap und eine Merkle-Wurzel über seine Commitments.
Jeder kann prod_{i accepted} C_i^j = Com(A_j; R_j) für beide Server prüfen; jeder Standort prüft seinen Merkle-Inklusionspfad.

Real: Sharing, Festkomma-Kodierung, Beaver-Skalarprodukte, Merkle-Bäume, Pedersen-Commitments und das Audit. Ideal: sicherer Vergleich (seine Kommunikation ist eine Platzhalter-Schätzung), Range Proofs, Triple-Generierung, sicheres Clipping und Rauschen im Aggregat.

Hauptergebnisse (Edge-IIoTset, 15 Klassen, 10 Standorte, 10 Seeds)

	clean	sign-flip	adaptive 30%
FedAvg	0.706	0.091	0.046
Multi-Krum (plaintext)	0.690	0.686	0.693
PVBRF-ID (tau = -0.3)	0.708	0.696	0.571
PVBRF-ID + secure clip	0.697	0.688	0.641

Backdoors passieren den Filter (ASR 1.00); rauschbasierte Mitigation ist heuristisch (epsilon >= 16.9). Ein Update-Inferenz-Angreifer rekonstruiert die Klassenmischung aus Klartext-Updates (Spearman 0.81), aber nicht aus dem Share eines Servers (0.00). Die Kommunikation beträgt etwa das 19-fache des Uploads von reinem FedAvg.

Lizenz

MIT, siehe LICENSE.

pvbrf-id

Beliebteste