Deep Federated Learning für die intelligente Erkennung von DDoS-Angriffen

Das rasante Wachstum des Fog-Edge-Computing hat neue Herausforderungen für die Cybersicherheit mit sich gebracht, insbesondere die zunehmende Bedrohung durch Distributed-Denial-of-Service-Angriffe (DDoS). Herkömmliche Intrusion-Detection-Systeme haben oft Schwierigkeiten, in dezentralen Umgebungen präzise, skalierbare und datenschutzkonforme Lösungen bereitzustellen. Dieses Buch stellt ein Deep-Federated-Learning-Framework vor, das ein kollaboratives Modelltraining ohne Weitergabe sensibler Daten ermöglicht und so einen verbesserten Datenschutz sowie eine robuste Erkennung von Bedrohungen gewährleistet. Es untersucht die Integration von Deep-Learning-Techniken mit Federated Learning, um DDoS-Angriffe in verteilten Fog-Edge-Netzwerken effizient zu identifizieren. Das vorgeschlagene Framework legt den Schwerpunkt auf intelligente Einbruchserkennung, verbesserte Erkennungsgenauigkeit, reduzierten Kommunikationsaufwand und sicheres verteiltes Lernen. Dieses Buch richtet sich an Forscher, Doktoranden, Cybersicherheitsexperten und Praktiker, die sich für künstliche Intelligenz, Netzwerksicherheit, föderiertes Lernen und Fog-Edge-Computing interessieren, und bietet wertvolle Einblicke in KI-gesteuerte Cybersicherheitslösungen der nächsten Generation.