EdgeDetect: Belangrijkheidsbewuste Gradientcompressie met Homomorfe Aggregatie voor Gedistribueerde Intrusiedetectie
EdgeDetect: Importance-Aware Gradient Compression with Homomorphic Aggregation for Federated Intrusion Detection
April 16, 2026
Auteurs: Noor Islam S. Mohammad
cs.AI
Samenvatting
Federated learning (FL) maakt collaboratieve intrusion detection mogelijk zonder ruwe data-uitwisseling, maar conventionele FL veroorzaakt een hoge communicatielast door de transmissie van volledig-precisiegradiënten en blijft kwetsbaar voor gradient inference-aanvallen. Dit artikel presenteert EdgeDetect, een communicatie-efficiënt en privacy-bewust gefedereerd IDS voor bandbreedte-beperkte 6G-IoT-omgevingen. EdgeDetect introduceert gradient smartification, een op mediaan gebaseerde statistische binarisatie die lokale updates comprimeert tot {+1,-1}-representaties, waardoor de uplink-payload 32 keer wordt verkleind terwijl convergentie behouden blijft. We integreren verder Paillier homomorfe encryptie over gebinariseerde gradiënten, wat bescherming biedt tegen honest-but-curious servers zonder individuele updates bloot te leggen. Experimenten op CIC-IDS2017 (2,8M flows, 7 aanvalsklassen) tonen 98,0% multi-class nauwkeurigheid en 97,9% macro F1-score, wat overeenkomt met gecentraliseerde baseline-resultaten, terwijl de communicatie per ronde wordt gereduceerd van 450 MB naar 14 MB (96,9% reductie). Implementatie op Raspberry Pi-4 bevestigt haalbaarheid aan de edge: 4,2 MB geheugen, 0,8 ms latentie en 12 mJ per inferentie met <0,5% nauwkeurigheidsverlies. Onder 5% poisoning-aanvallen en ernstige onbalans handhaaft EdgeDetect 87% nauwkeurigheid en 0,95 F1-score voor minderheidsklassen (p<0,001), waarmee een praktische balans tussen nauwkeurigheid, communicatie en privacy wordt gevestigd voor intrusion detection van de volgende generatie aan de edge.
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.