今天分享的论文是实验室发表在Expert Systems With Applications（中科院一区）的论文，名为”A privacy-preserving federated graph learning framework for threat detection in IoT trigger-action programming”。
研究背景
TAP规则风险指的是在TAP规则执行过程中可能出现的各种潜在问题或风险，这些问题或风险可能导致规则执行结果出现意外，或不符合预期，进而对系统的功能和性能产生负面影响。TAP规则风险检测是TAP规则内异常检测领域的重要研究内容之一。在用户建立TAP规则后，其使用习惯往往呈现出一次性的特征，用户往往在规则定义之后对其进行一次性的调用，并在之后的使用过程中遗忘。由于这种一次性使用的特性，用户可能在不经意的情况下触发规则，进而导致潜在风险的发生。尽管现有的研究在TAP规则安全层面取得了显著进展，但如何在风险检测任务中建模触发器和动作的依赖性并且保证用户的数据安全，是急需解决的问题。
研究成果
针对TAP规则风险检测任务中由于触发动作依赖性和用户数据敏感性导致现有方法无法对保障用户隐私安全的问题，提出了一种基于隐私保护联邦图学习的TAP规则风险检测框架PF-TAP。PF-TAP使用联邦学习方法结合密码学及差分隐私技术保护用户数据隐私的安全性。此外为了解决触发动作的依赖性问题，提出了层次化图注意力神经网络算法HieGAN，该算法可以自适应地学习规则之间的依赖关系，学习规则图中的全局特征及内部特征，对规则图进行多尺度的信息聚合和特征提取。在公开数据集IFTTT上进行了实验，结果表明，PF-TAP在TAP规则风险检测任务中要优于其他方法，同时能够更好地保护用户数据隐私安全。
为验证PF-TAP的有效性，实验在公开数据集IFTTT上进行了证明，结果表明PF-TAP在风险检测方面相较于当前最先进的图神经网络和联邦学习方法表现出色，同时也为用户提供了强大的隐私保护。此外，还进行了消融研究，评估了构成PF-TAP的各个组件对算法整体性能的影响。本研究明确指出了PF-TAP在TAP规则风险检测领域的应用潜力。
未来，本研究将致力于深入探索TAP规则的细节安全问题，并对PF-TAP算法进行进一步的改进和优化，以提供更高效、更可靠的风险检测和隐私保护解决方案。