基于遗传优化联邦学习的卫星网络异常检测方法研究

为解决卫星网络开放信道特性导致的时空依赖性建模不足及传统联邦学习(FL)存在的客户端选择低效、隐私泄露风险等问题，研究人员提出融合遗传算法(GA)的FLOGA-AD框架，通过CvT-LSTM混合架构实现时空特征联合提取，结合差分隐私(?=5,δ=10-5)与安全聚合技术，在UNSW-NB15和STIN数据集上检测准确率较DFL-TD提升3%-5%，为6G时代天地一体化网络安全提供创新解决方案。

　　

随着全球加速迈向6G时代，卫星互联网因其广域覆盖能力成为天地一体化网络的核心组件。然而，卫星通信的开放信道特性使其面临电子干扰、数据窃取等新型威胁，传统检测方法难以捕捉复杂的时空攻击模式，而集中式机器学习又存在数据孤岛与隐私泄露风险。更棘手的是，现有联邦学习框架在卫星网络异构环境中面临客户端资源分配不均、通信开销过大等挑战，亟需一种兼顾效率与安全的智能检测方案。

长春大学科学技术学院的研究团队在《Expert Systems with Applications》发表的研究中，创新性地提出FLOGA-AD框架。该研究通过三项核心技术突破：1) 采用卷积视觉变换器(CvT)与长短期记忆网络(LSTM)的混合架构，分别提取流量数据的空间拓扑特征和时间序列模式；2) 设计遗传算法驱动的动态客户端选择机制，优化联邦学习的参与节点组合；3) 集成差分隐私(DP)和安全聚合(SecAgg)技术，在(?=5,δ=10^-5)隐私预算下实现模型参数保护。实验采用UNSW-NB15标准数据集和卫星专用STIN数据集验证，所有数据均在本地设备训练以避免原始数据泄露。

【模型架构】通过CvT的层次化卷积结构捕获流量矩阵的空间相关性，LSTM层则解析攻击行为的时序演化规律，二者并联输出经全连接层融合，形成联合时空表征。
【遗传优化】将客户端的数据质量、计算延迟等指标编码为染色体，通过选择-交叉-变异操作迭代生成最优参与者子集，通信带宽降低37%。
【隐私保护】在本地模型上传前添加符合(?,δ)-DP的高斯噪声，配合安全聚合协议抵御梯度推断攻击，隐私泄露风险降低至1.2×10^-5。
【性能验证】在拒绝服务攻击检测中，FLOGA-AD的F1-score达92.7%，较基线DFL-TD提升5%，误报率降低至0.8%；时空联合建模使新型欺骗攻击检出率提高18%。

该研究首次实现卫星网络异常检测中时空特征与隐私保护的协同优化，其遗传算法赋能的动态客户端选择策略为资源受限环境下的联邦学习提供了新范式。值得注意的是，团队坦承CvT-LSTM的复合结构在星载设备上的计算效率仍需优化，未来计划通过知识蒸馏技术压缩模型规模。这项成果不仅为6G网络安全架构奠定理论基础，其(?,δ)-DP与安全聚合的协同机制更可为医疗、金融等敏感领域的分布式学习提供参考。正如作者Zhimin Wang所述："FLOGA-AD在保持卫星网络固有延展性的同时，首次实现了攻击检测精度与隐私保障的帕累托最优。"