IoT Saldırı Tespitinde Gizlilik ve Açıklanabilirlik İkilemini Çözmek İçin Federe Öğrenme Tabanlı Karşıolgusal Açıklamalar

Abstract

Makine öğrenmesi tabanlı saldırı tespit sistemleri, IoT ağlarının güvenliğinde kritik bir rol üstlenmektedir; ancak sistemlerin kara kutu yapısı, kararların analistler tarafından yorumlanmasını güçleştirmektedir. Öte yandan, merkezi eğitim yaklaşımlarının gerektirdiği veri toplama süreci gizlilik riskleri taşımaktadır. Bu çalışma, iki soruna birlikte çözüm sunan FedCF-IoT çerçevesini tanıtmaktadır. FedCF-IoT, diferansiyel gizlilik mekanizmalarıyla güçlendirilmiş federe öğrenme ortamında karşıolgusal açıklamalar üreterek ham veri paylaşımı olmadan açıklanabilir tahminler sağlamaktadır. Edge-IIoTset veri kümesi ile 15 sınıflı saldırı tespitinde %99,38 doğruluk (%93,21 makro F1-skoru) elde edilmiş ve karşıolgusal geçerlilik %98,8’e ulaşmıştır. Çalışmada bulgu olarak, diferansiyel gizlilik gürültüsü karşıolgusal geçerliliği düşürmek yerine %93,2’den %98,8’e yükseltmiştir. Federe öğrenme, merkezi eğitime kıyasla yalnızca %0,11–0,17'lik doğruluk kaybıyla gizliliğin korunabildiğini göstermektedir.The security of Internet of Things (IoT) networks relies heavily on machine learning-based intrusion detection systems (IDS). However, the black-box nature of these systems makes it difficult for security analysts to interpret decisions. This paper presents FedCF-IoT, a framework for privacy-preserving and explainable IoT intrusion detection in federated learning environments. The proposed framework combines counterfactual explanations with differential privacy mechanisms to produce explainable predictions without sharing raw data. On the Edge-IIoTset dataset with 15-class attack classification, the framework achieves 99.38% accuracy (93.21% macro F1-score) and 98.8% counterfactual validity. The most notable finding is that differential privacy noise improves counterfactual validity from 93.2% to 98.8%. Federated learning evaluation reveals that privacy preservation is achievable with only 0.11-0.17% accuracy loss compared to centralized training.