earticle

영어

The edge network is conducting various studies to increase the safety of various IoT devices using AI, but optimization of safety is not easy due to limitations in the flexibility and mobility that connect functions between IoT devices. In this paper, we propose an IoT anomaly detection model that maximizes the security and efficiency of edge networks by combining CNN-LSTM hybrid model, federated learning, and blockchain DPoS consensus algorithm. The proposed model captures advanced anomalies in real time by simultaneously analyzing the spatial pattern of traffic and the temporal precedence relationship. In addition, the proposed model introduced a federated learning architecture that shares only the weight of the model without moving the data itself, protecting data privacy, and improving the detection performance of individual edge nodes. As a result of the experiment, the proposed model recorded a high detection accuracy of 96.5% on IoT time series data, and at the same time, improved traffic throughput by 4 times by optimizing the blockchain consensus process while protecting privacy through federated learning.

한국어

엣지 네트워크는 AI를 이용하여 다양한 IoT 장치의 안전성을 높이기 위한 연구를 다양하게 진행하고 있지만 IoT 장치 간 기능을 연결해주는 유연성 및 이동성에 제약이 있어 안전성의 최적화가 쉽지 않다. 본 논문에서는 CNN-LSTM 하이브리드 모델과 연합 학습, 그리고 블록체인 DPoS 합의 알고리즘을 결합하여 엣지 네트워크의 보안성과 효율성을 극대화한 IoT 이상 탐지 모델을 제안한다. 제안 모델은 트래픽의 공간적 패턴과 시간적 선후 관계를 동시에 분석함으로써 고도화된 이상 징후를 실시간으로 포착한다. 또한, 제안 모델은 데이터 자체를 이동시키지 않고 모델의 가중치만을 공유하는 연합 학습 아키텍처를 도입하여, 데이터 프라이버시를 보호하는 동시에 개별 엣지 노드의 탐지 성능을 향상시켰다. 실험 결과, 제안 모델은 IoT 시계열 데이터에서 96.1%의 높은 탐지 정확도를 기록하였으며, 연합 학습을 통 해 프라이버시를 보호하는 동시에 블록체인 합의 과정의 최적화로 트래픽 처리량을 4배 향상시켰다.