面向医疗物联网的单次联邦异常检测方法：联邦差分隐私互信息特征选择与自适应加权聚合

《Scientific Reports》：Anomaly detection of internet of medical things cyberattacks using federated learning

　　

摘要

连接到医疗物联网（IoMT）的设备在严格的隐私和资源限制下处理敏感的患者数据。集中式入侵检测引入了隐私风险和通信瓶颈，而现有的联邦学习（FL）解决方案在类别不平衡和数据异构性方面仍面临困难。本文提出了一种一次性联邦异常检测（OneShot-FedAD）方法，该方法在单一通信轮次中完成特征选择和模型训练，消除了迭代权重交换的必要性。它集成了联邦差分隐私互信息（DP-MI）用于特征选择、本地合成少数类过采样技术（SMOTE）以在不共享原始数据的情况下减少误报，以及基于每个客户端本地验证F1分数的自适应加权聚合（AWA）。在CICIoMT2024和WUSTL-EHMS-2020上的七项实验中，LightGBM在CICIoMT2024上达到了99.75%的准确率和99.87%的F1分数，在五个随机种子上保持稳定（99.88% ± 0.01%，95%置信区间），在WUSTL-EHMS-2020上准确率为93.77%，攻击召回率为55.70%，反映出该较小数据集上存在严重的类别不平衡。DP-MI将特征空间缩减了28.57%–44.44%。每个客户端上传数据不超过350 KB，聚合模型大小为1.7 MB，推理延迟为9.01–24.14微秒（在8倍硬件减速下为72–193微秒），因此OneShot-FedAD可在512 MB边缘设备上运行。