分布式联邦学习驱动的多源网络态势感知数据在线融合方法

《Information Fusion》：Distributed Online Fusion Learning of Multi-Source Network Situation Awareness Data

本文提出了一种基于联邦学习（Federated Learning）和多模态特征对齐的分布式在线融合方法，通过局部建模与全局协作，实现了异构数据的实时感知与隐私保护的统一优化。该方法在低信噪比（SNR=10dB）下检测准确率达0.85，F1分数为0.82，通信延迟仅5.74s，隐私泄露概率低至0.031，显著提升了多源数据融合建模能力与感知响应速度。

　　

Highlight

本研究聚焦多源异构网络数据的融合与感知问题，创新性地提出了基于联邦多模态对齐学习的分布式在线融合框架。

Method

图1展示了多源网络态势感知数据的分布式在线融合学习架构。每个边缘节点独立接收并预处理异构输入，将其转换为向量形式，随后利用卷积神经网络（CNN）提取图像特征，并通过Transformer捕捉文本依赖关系。局部模型采用自注意力机制（self-attention）实现模态间特征对齐，构建统一表达，并引入滑动窗口机制优化实时处理效率。联邦参数聚合策略确保各节点模型协同更新，同时结合在线增量学习机制，使模型能够动态适应网络环境变化。

Experimental Data and Settings

实验采用多源异构网络数据构建测试环境，数据涵盖流量包、系统日志和终端事件，以模拟真实网络场景的复杂性。为全面评估模型泛化能力，实验在四个异构多模态数据集上进行：CIC-IDS2017（流量?+?日志）、UNSW-NB15（结构化攻击记录）、TON_IoT（物联网设备流量与系统日志）以及OpTC（操作终端事件日志）。所有数据均经过标准化预处理，并添加高斯噪声以模拟低信噪比（SNR=10dB）环境。联邦学习系统设置超过200个节点，通信带宽阈值设为100MB，隐私预算ε调节范围为0.1–1.0。

Conclusions

本研究针对多源异构网络数据的融合与感知问题，提出了基于联邦多模态对齐学习的分布式在线融合框架。通过统一转换多模态输入，实现了对结构化和非结构化特征的高效提取；进一步利用自注意力机制自适应对齐边缘节点内不同模态特征，提升了局部特征表达能力。全局参数聚合与在线增量更新机制相结合，在确保数据隐私的前提下显著优化了模型对动态网络的适应性。实验证明，该方法在检测精度、通信效率和隐私保护方面均优于传统方案，为构建智能、安全的网络态势感知系统提供了有效解决方案。