EdgeDetect : Compression de Gradient à Sensibilité à l'Importance avec Agrégation Homomorphe pour la Détection d'Intrusion Fédérée

Résumé

L'apprentissage fédéré (FL) permet la détection d'intrusion collaborative sans échange de données brutes, mais l'approche conventionnelle engendre une surcharge communicationnelle élevée due à la transmission de gradients en pleine précision et reste vulnérable aux attaques par inférence de gradients. Cet article présente EdgeDetect, un système de détection d'intrusion fédéré, efficace en communication et respectueux de la vie privée, conçu pour les environnements 6G-IoT à bande passante contrainte. EdgeDetect introduit la « smartification » des gradients, une binarisation statistique basée sur la médiane qui compresse les mises à jour locales en représentations {+1,-1}, réduisant la charge utile de liaison montante par un facteur de 32 tout en préservant la convergence. Nous intégrons en outre le chiffrement homomorphe de Paillier sur les gradients binarisés, protégeant contre les serveurs honnêtes mais curieux sans exposer les mises à jour individuelles. Les expériences sur CIC-IDS2017 (2,8 millions de flux, 7 classes d'attaques) démontrent une précision multi-classe de 98,0 % et un score F1 macro de 97,9 %, égalant les résultats des approches centralisées, tout en réduisant la communication par tour de 450 Mo à 14 Mo (réduction de 96,9 %). Un déploiement sur Raspberry Pi-4 confirme la faisabilité en périphérie : 4,2 Mo de mémoire, 0,8 ms de latence et 12 mJ par inférence avec une perte de précision <0,5 %. Face à des attaques par empoisonnement à 5 % et un déséquilibre sévère, EdgeDetect maintient une précision de 87 % et un score F1 de 0,95 pour les classes minoritaires (p<0,001), établissant un compromis pratique entre précision, communication et vie privée pour la détection d'intrusion de nouvelle génération en périphérie.

English

Federated learning (FL) enables collaborative intrusion detection without raw data exchange, but conventional FL incurs high communication overhead from full-precision gradient transmission and remains vulnerable to gradient inference attacks. This paper presents EdgeDetect, a communication-efficient and privacy-aware federated IDS for bandwidth-constrained 6G-IoT environments. EdgeDetect introduces gradient smartification, a median-based statistical binarization that compresses local updates to {+1,-1} representations, reducing uplink payload by 32times while preserving convergence. We further integrate Paillier homomorphic encryption over binarized gradients, protecting against honest-but-curious servers without exposing individual updates. Experiments on CIC-IDS2017 (2.8M flows, 7 attack classes) demonstrate 98.0% multi-class accuracy and 97.9% macro F1-score, matching centralized baselines, while reducing per-round communication from 450~MB to 14~MB (96.9% reduction). Raspberry Pi-4 deployment confirms edge feasibility: 4.2~MB memory, 0.8~ms latency, and 12~mJ per inference with <0.5% accuracy loss. Under 5% poisoning attacks and severe imbalance, EdgeDetect maintains 87% accuracy and 0.95 minority class F1 (p<0.001), establishing a practical accuracy, communication, and privacy tradeoff for next-generation edge intrusion detection.