基于联邦学习与特征聚合扩散网络的轻量级遥感图像检测模型及其在海上雷达入侵检测中的应用

为解决海上雷达系统面临的复杂网络入侵威胁，研究人员提出FED-GEM-CN框架，通过双通道CNN（Convolutional Neural Network）与多模态注意力机制实现分布式隐私保护入侵检测。该模型在RadarPWN数据集上取得99%准确率，15轮内快速收敛，为关键海事基础设施提供高效安全的解决方案。

　　

随着全球海事活动数字化加速，船舶雷达系统正成为网络攻击的高价值目标。从简单的拒绝服务攻击（Denial-of-Service, DoS）到复杂的雷达信号篡改（如Scaling缩放、Rotation旋转、Translation平移等），这些攻击可能直接导致导航错误甚至海上碰撞事故。更严峻的是，传统集中式入侵检测系统（Intrusion Detection System, IDS）需要共享敏感雷达数据，违反国际海事组织（IMO）的隐私保护条例。现有深度学习模型虽在陆地网络检测中表现优异，但面对海上特有的多模态数据（雷达回波+网络流量）和边缘设备资源限制时，往往存在泛化能力不足、隐私泄露风险等问题。

研究人员创新性地提出FED-GEM-CN框架，该架构包含三大核心技术：双分支1D-CNN分别处理雷达波形和网络流量特征，通过多头交叉注意力（Multi-Head Cross-Attention, MHA）捕捉模态间关联；监督对比学习（Supervised Contrastive Learning, SCL）强化特征判别性；梯度情景记忆（Gradient Episodic Memory, GEM）缓冲机制持续优化困难样本。在分布式训练中，采用联邦学习（Federated Learning, FL）协议，使多个雷达节点能协同训练模型而不共享原始数据。

关键技术方法包括：1）基于RadarPWN数据集（含542,702条记录）的非IID数据模拟，涵盖7类攻击与正常流量；2）双CNN管道设计（64-128滤波器架构）；3）四头注意力机制（d_k=32）；4）联邦平均（FedAvg）聚合策略（客户端参与率0.4）。实验验证在TensorFlow Federated平台完成，使用Adam优化器（学习率0.001）。

研究结果

3.1 数据集

RadarPWN数据集包含三类仿真场景（罗斯托克、简易河口、圣卡塔利娜），通过Bridge Command等工具模拟攻击。预处理中采用标准化（StandardScaler）和分层抽样，使少数类（如DoS仅占2.9%）获得均衡表示。

3.3 双CNN管道

网络分支（30维特征）与雷达分支（36维特征）分别通过Conv1D-MaxPooling结构提取时空特征。实验表明，双分支比单分支模型F1值提升12.7%，证明多模态处理的必要性。

3.5 监督对比学习

温度参数τ=0.1的SCL损失（权重λ=0.5）使类内特征距离缩小38%，类间距离扩大2.3倍，显著改善"Move"与"Rotation"等易混淆攻击的区分度。

3.6 GEM内存缓冲

保留100个高损失样本的策略，使罕见攻击检测召回率提升21.5%。客户端本地训练时，内存样本使全局模型收敛轮次从25轮缩减至15轮。

4.2 实验结果

八客户端联邦测试显示：全局模型宏平均F1达0.9682，其中Client 3表现最佳（准确率99.11%）。混淆矩阵显示，最难区分的Class 3（攻击类型未明确）仍保持93.42%召回率。资源监测表明，模型内存占用稳定在50-150MB，适合船载设备部署。

该研究首次实现联邦学习与多模态注意力在海上安全领域的结合，其99%的检测精度和快速收敛特性，为《国际海上人命安全公约》（SOLAS）框架下的网络安全实践提供技术支撑。未来工作将探索对抗样本防御和跨雷达型号迁移学习，以应对不断演变的海洋威胁。论文发表在开放获取期刊《Array》，为分布式边缘智能系统树立了新标杆。