EdgeDetect: Compressão de Gradientes com Consciência da Importância e Agregação Homomórfica para Detecção de Intrusão Federada
EdgeDetect: Importance-Aware Gradient Compression with Homomorphic Aggregation for Federated Intrusion Detection
April 16, 2026
Autores: Noor Islam S. Mohammad
cs.AI
Resumo
A aprendizagem federada (FL) permite a detecção colaborativa de intrusões sem troca de dados brutos, mas a FL convencional incorre em alta sobrecarga de comunicação devido à transmissão de gradientes de precisão total e permanece vulnerável a ataques de inferência de gradientes. Este artigo apresenta o EdgeDetect, um Sistema de Detecção de Intrusões federado eficiente em comunicação e consciente da privacidade para ambientes 6G-IoT com restrição de largura de banda. O EdgeDetect introduz a "gradient smartification", uma binarização estatística baseada em mediana que comprime as atualizações locais para representações {+1,-1}, reduzindo a carga útil de uplink em 32 vezes enquanto preserva a convergência. Integramos ainda a criptografia homomórfica de Paillier sobre os gradientes binarizados, protegendo contra servidores honestos mas curiosos sem expor atualizações individuais. Experimentos no conjunto CIC-IDS2017 (2,8M fluxos, 7 classes de ataque) demonstram 98,0% de acurácia multiclasse e 97,9% de F1-score macro, equiparando-se a linhas de base centralizadas, enquanto reduzem a comunicação por rodada de 450 MB para 14 MB (redução de 96,9%). A implantação em Raspberry Pi-4 confirma a viabilidade na borda: 4,2 MB de memória, latência de 0,8 ms e 12 mJ por inferência com perda de acurácia <0,5%. Sob ataques de envenenamento de 5% e desbalanceamento severo, o EdgeDetect mantém 87% de acurácia e F1 de 0,95 para a classe minoritária (p<0,001), estabelecendo um equilíbrio prático entre acurácia, comunicação e privacidade para a próxima geração de detecção de intrusões na borda.
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.