分布式与协作式轻量级边缘联邦学习在物联网僵尸设备检测中的应用

《ACM Transactions on Sensor Networks》：Distributed and Collaborative Lightweight Edge Federated Learning for IoT Zombie Devices Detection

智能城市中物联网僵尸设备检测的轻量级联邦学习模型研究。基于特征降维和迁移学习，提出的FIOT模型在保持F1值精度损失小于3%的同时，训练时间仅为集中式学习的14.3%，参数量压缩至37.58%。

　　

摘要

人工智能和物联网（IoT）技术的快速发展推动了智慧城市各种应用的发展，例如智能监控和安防。然而，物联网设备的漏洞给智慧城市的安全带来了新的威胁。为了识别无处不在的物联网僵尸网络攻击，提出了一种分布式、协作的轻量级边缘联邦学习模型——FIOT，用于检测物联网僵尸设备。为了降低计算复杂度并提高网络边缘对新攻击环境的适应性，FIOT采用了基于特征降维和迁移学习的轻量级设计。使用三个物联网僵尸网络数据集来验证所提出的FIOT的有效性。实验结果表明，与集中式学习方法相比，FIOT在F1值方面的准确率损失不到3%，但其训练时间仅为集中式学习的14.3%。在保证高检测准确率的同时，FIOT的参数数量减少了37.58%。