基于联邦学习的混合CNN-LSTM物联网边缘网络入侵检测系统

《Scientific Reports》：An adaptive federated deep learning approach for efficient DDoS detection in IoT edge networks

　　

摘要

物联网（IoT）的快速增长扩大了现代网络的攻击面，促使需要在资源受限的环境中准确检测 DDoS 和僵尸网络活动。集中式入侵检测系统（IDS）面临隐私、可扩展性和异质性的挑战，这限制了其在物联网中的适用性。本研究提出了一种基于联邦学习的入侵检测系统（FL-IDS），用于物联网边缘网络，以克服这些限制。每个客户端在本地训练一个混合 CNN-LSTM 模型，中央服务器通过联邦平均（FedAvg）聚合客户端更新。训练完成后，对全局模型在留出的测试分区上的合并预测应用自适应全局决策阈值优化，以解决类别不平衡问题。该系统在 N-BaIoT 基准上进行评估，并结合最近的公共医疗物联网数据集进行初步验证，在主要联邦评估期间，九个 N-BaIoT 设备被视为独立的联邦客户端。在最佳工作点 \(\tau = 0.15\) 处，全局模型实现了 0.9238 的准确率、0.9265 的精确率、0.9963 的召回率、0.9601 的 F1 分数、0.8133 的 ROC-AUC 以及 0.969 的 PR-AUC。基于 SHAP 的事后分析识别出对模型决策影响最大的流量特征。