WFL：基于边缘计算的加权联邦学习技术，用于保护异构网络的安全

《IEEE Communications Standards Magazine》：WFL: Edge-Enabled Weighted Federated Learning for Securing Heterogeneous Networks

物联网安全依赖新型联邦学习框架实现隐私保护与高效入侵检测。该框架通过边缘设备神经网络的本地化检测与中心化加权聚合机制，在保护数据本地化的同时提升全局模型准确性，平均检测精度达99%，有效应对DDoS、恶意 bot 等多样化攻击。

　　

摘要：

物联网（IoT）的运行方面依赖于所部署的安全措施，这些措施旨在确保用户隐私、保护用户数据，并防止智能设备被用于恶意活动。传统的入侵检测系统通常需要中心化系统中众多设备的协作来进行数据处理和决策制定。然而，中心化系统在隐私性和可扩展性方面存在一些局限性。本文提出了一种基于联邦学习（FL）的分布式框架，用于检测和缓解入侵，同时确保物联网网络中的隐私性。该框架整合了两个关键的安全组件：一个在边缘设备上使用神经网络（NN）的入侵检测模块，以及一个用于汇总和协调模型并将其分发到边缘设备的中心化聚合系统。中心化系统通过加权平均机制计算全局模型，以准确反映每个设备本地模型的贡献度。这确保了全局模型能够完整地代表所有参与协作边缘节点的数据。由于数据仅保留在边缘设备上，而机器学习模型则传输到聚合服务器，因此该框架能够保障隐私。通过支持来自不同来源的异构数据，该框架能够适应多种攻击模式和设备行为。评估是在包括CICIDS2017、UNSW-NB15和KDD Cup 99在内的异构数据集上进行的，这些数据集涵盖了DDoS、僵尸网络活动和恶意行为等多种入侵场景。随着迭代次数的增加和协作方的增多，该框架的性能得到了提升，在三个数据集上的平均入侵检测准确率达到了99%。这些结果强调了协作方数量和迭代次数的重要性...

显示更多

引言

物联网（IoT）作为一种变革性技术，在医疗保健、交通、农业和工业自动化等多个领域带来了巨大变革。预计到2025年，物联网市场规模将超过1.5万亿美元，全球将有数十亿台物联网设备。然而，物联网网络的快速增长也使其面临网络威胁，这些威胁可能导致巨大的经济损失。Mirai僵尸网络[1]和乌克兰电网网络攻击等事件就说明了利用物联网设备或针对物联网网络进行的攻击所带来的影响。随着物联网设备的持续增长，迫切需要有效的协作安全系统来保护网络免受不必要的事件影响。