非独立同分布（Non-IID）且具有感知能力的联邦入侵检测系统，采用基于密码学消息认证算法（PBFT）和安全的模型聚合技术，适用于多机构医疗物联网网络

《Scientific Reports》：Non-IID and aware federated intrusion detection with PBFT with secured model aggregation for multi institutional healthcare internet of things networks

　　

摘要

多机构医疗物联网（IoT）网络面临着入侵检测与患者数据隐私之间的核心挑战。原始流量记录无法在机构之间共享，而仅使用特定机构数据训练的本地模型在面对实际医疗物联网部署中不同的攻击分布时泛化能力较差。联邦学习（FL）通过在每个机构本地存储数据来解决隐私问题，但它引入了机构间的统计异质性。由于临床专业化、协议多样性和部署规模的不对称性，每个机构的本地数据都是非独立且非同分布的。标准的联邦平均方法无法处理这种非独立同分布（non-IID）情况，从而导致检测性能显著下降。现有的联邦入侵检测系统（FIDS）假设所有参与机构都是诚实的。但在实际的多机构联盟中，这种假设并不成立，因为拜占庭参与者可以通过提交被篡改的梯度更新来破坏全局模型。在这项工作中，提出了一种针对多机构医疗物联网网络的“非独立同分布感知型联邦入侵检测系统”（N-IID-AFIDS），旨在同时解决这两个挑战。该系统采用了一种基于Wasserstein亲和矩阵的谱聚类方法对机构进行分组，并在聚合前对提交的更新进行梯度差异校正。此外，该模型还结合了协议感知的深度稀疏自编码器（DSAE），利用基于机构协议混合的本地特征归一化和分布对齐正则化机制，且无需在机构间交换原始数据。这项工作将实用的拜占庭容错（PBFT）共识机制从事件日志记录扩展到了模型更新验证。模型还加入了基于几何中值的拜占庭过滤机制和基于声誉的参与控制机制。在IoT-Flock和CICIoT2023数据集上，针对数量、标签和特征的联合偏斜情况，对所提出的模型进行了评估。在IoT-Flock数据集上，该模型的非独立同分布检测准确率为93.17%，在CICIoT2023数据集上为89.84%。它是唯一一个在两个数据集上都同时报告非独立同分布检测结果的联邦方法。即使在存在四个拜占庭参与者的情况下，该模型的准确率仍保持在83.61%，并且满足了16毫秒的临床实时检测要求，收敛时间仅需29至67轮，比其他联邦方法更快。