引言
智能技术的快速发展使物联网、人工智能与未来无线网络广泛应用，也大幅扩大了网络攻击面。攻击者可协同实施多步骤、跨系统攻击，传统入侵检测系统难以充分保障关键基础设施安全[1-4]。近年来，机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）在网络攻击检测中展现出潜力，但依赖大量难以获取的安全数据集，且需调整和集成。传统集中式训练需汇集所有数据，存在隐私风险和通信开销[5-8]。为此，联邦学习（federated learning, FL）作为一种隐私保护的分布式学习方案被提出，支持多方在不共享本地数据的情况下协作建模。然而在入侵检测场景中，客户端数据常呈非独立同分布，这种异质性易导致全局模型出现偏差，影响泛化能力与收敛效率[9-11]。
本文提出了一种名为StatAvg（统计平均）的方法，旨在缓解FL中客户端数据的非独立同分布特征问题。与传统的FL聚合策略相比，StatAvg能够在FL训练之前生成全局数据统计信息，为模型训练提供一种通用的输入数据标准化方法。实验结果表明，StatAvg在检测准确率和F1分数等关键指标上显著优于基线方法，证明了其在缓解客户端非iid特征分布问题上的有效性。此外，本文还探讨了在FL中引入差分隐私（Differential Privacy, DP）技术以进一步增强隐私保护的可能性，为FL在隐私敏感场景下的应用提供了新的思路。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000007204
作者信息：
杨晨1，柳晓阳1，尹习双2，成昱村2
（1.中国雅江集团有限公司，西藏 林芝 860100；
2.中国电建集团成都勘测设计研究院有限公司，四川 成都 611130）
