Aprendizaje federado para la detección de intrusos en redes informáticas

Abstract

[Resumen]: En este proyecto se presentan avances innovadores en el ámbito del Aprendizaje Federado aplicado a la Detección de Intrusiones en Redes Informáticas. Para ello, se ha desarrollado e integrado en la librería de código abierto P2PFL un módulo federado peer-to-peer para eXtreme Gradient Boosting (XGBoost), acompañado de nuevos algoritmos de agregación para XGBoost (Bagging y Cíclico), capaces de entrenar nodos sin transmisión explícita de datos ni dependencia de un servidor central. Asimismo, se incorporó un Perceptrón Multicapa (MLP) adaptado a datos tabulares y un demostrador con interfaz gráfica que simplifica su uso y permite utilizar conjuntos de datos de detección de intrusiones preprocesados. Para evaluar los módulos desarrollados se realizó una experimentación sobre cuatro conjuntos de datos recientes y relevantes para sistemas de detección de intrusiones, aplicando una metodología reproducible que permitió comparar el rendimiento de modelos federados frente a versiones centralizadas. Los resultados confirman que XGBoost supera consistentemente a MLP tanto en entornos centralizados como federados, con diferencias métricas mínimas respecto al entrenamiento no federado y con un ahorro estimado de hasta un 77% en emisiones de CO₂. Además, el agregador cíclico demostró ser más eficiente y sostenible que su contraparte en bagging.

[Abstract]: This project presents novel advances in the field of Federated Learning applied to Network Intrusion Detection. To that end, a peer-to-peer federated module for eXtreme Gradient Boosting (XGBoost) has been developed and integrated into the open-source P2PFL library, together with new aggregation algorithms for XGBoost (Bagging and Cyclic) able to train nodes without explicit data transfer or dependence on a central server. In addition, a Multilayer Perceptron (MLP) adapted for tabular data was implemented, and a demonstrator with a graphical interface was provided to simplify usage and to run preprocessed intrusiondetection datasets. To evaluate the new modules, experiments were carried out on four recent and relevant intrusion detection datasets following a reproducible methodology that enabled direct comparison between federated and centralized training. The results show that XGBoost consistently outperforms the MLP in both centralized and federated settings, with only minimal metric degradation relative to non-federated training, and an estimated CO₂ emissions reduction of up to 77%. Moreover, the cyclic aggregator proved more efficient and sustainable than its bagging counterpart.