跨多维度联邦图对比学习结合领域自适应集成的网络安全分析方法

《Engineering Applications of Artificial Intelligence》：Cross-faceted federated graph contrastive learning with domain-adaptive ensemble for cybersecurity analytics

　　

# 摘要

深度学习的技术进步推动了数字领域的快速扩展，引发了对网络安全的担忧。联邦网络安全被认为是一个革命性概念，使网络安全更加安全高效。然而，联邦学习方法在网络安全分析中面临标注设备数量有限以及不同数据之间分布偏移的问题，这降低了模型性能。因此，本研究提出了一种跨面向联邦图对比学习结合域适应集成表示的方法（称为FedEGCL）。具体而言，FedEGCL包含两个阶段：本地训练和全局聚合。本地训练利用无标签图数据上的嵌入对比学习结合图卷积网络进行训练。双全局对比学习随后捕获跨客户端的图知识，使节点嵌入达到部分共识。由于来自不同客户端的图视图数据通常表现出异质性，为减轻全局聚合过程中由此类异质性引起的偏差，我们将本地到全局的域适应集成方法整合到了所提出的框架中。该集成方法协调了客户端之间的异质性，从而提升了模型的整体性能。在三个基准图数据集和两个用于入侵检测的网络安全数据集上的大量实验表明，FedEGCL持续优于现有的基线方法，同时在隐私约束下有效地融合了图各个面向中的互补信息，证明了其在网络安全分析中的有效性。

# 引言

随着网络威胁在复杂性和规模上的不断演变，对高级网络安全分析的需求变得日益紧迫（Mohamed, 2025, Kumar et al., 2024）。传统的机器学习模型在应用于敏感的网络安全分析时面临数据隐私和安全挑战（Bugarin et al., 2024, Sugunaraj et al., 2025, Radanliev, 2024）。为此，这些不同面向的网络安全数据由于隐私安全问题通常被收集和存储在本地客户端上。这些多方面的网络安全数据可能无法集中存储，导致了数据孤岛问题（Bukhari et al., 2024）。联邦学习（FL）（McMahan et al., 2017, Rasti-Meymandi et al., 2025）作为一种隐私保护机器学习的替代方案，是一种分布式训练技术，可以在不将原始数据与中央服务器共享的情况下从去中心化客户端学习。因此，许多图联邦学习方法（Zhou et al., 2026, Zhao et al., 2025）已被提出，作为在去中心化网络安全数据上进行隐私保护图分析任务的可靠解决方案。

尽管取得了这些可喜的发展，现有的联邦学习方法仍面临两大挑战。第一个挑战是这些方法无法处理无标签数据。例如，一种可扩展的垂直联邦学习框架已被提出用于网络安全分类，允许在保护数据机密性的同时对大规模敏感网络安全数据进行高效分析（Follo et al., 2024）。基于隐私保护联邦学习的入侵检测系统模型已被提出以识别医疗物联网网络中的网络攻击（Khan et al., 2024）。尽管这些方法在丰富数据上表现优异，但它们在无标签数据上无法有效学习。因此，在处理无标签、多方面图数据时，迫切需要将自监督学习方法与联邦学习相结合（Dai et al., 2025, Khowaja et al., 2025）。挑战在于，收集此类数据的标注可能是一项耗时且昂贵的任务。解决此问题的一个简单方法是采用自监督学习技术，特别是对比学习，来编码每个面向的图数据点（Q. Wang et al., 2025）。自监督学习通过构建人工标注任务，使模型能够在无标签数据上进行训练。例如，一种通过对比自监督学习的联邦图入侵检测框架已被提出以识别网络安全网络中的入侵行为（Kong et al., 2025）。一种基于伪数据的联邦自监督学习框架已被提出以提高计算机辅助诊断模型的诊断准确性和泛化能力（Y. Zhang et al., 2024）。因此，联邦自监督学习已被用于网络安全中的入侵检测系统（Meyer et al., 2023）。特别是，对比学习试图训练模型使其对相似输入生成相似表示，对迥异输入生成不同表示。这种方法通过精心设计的对比学习任务来编码无标签数据知识（R. Liu et al., 2024）。

第二个挑战是在跨域范围内泛化学习性能，超越已学习的分布。现有的图联邦学习工作（Chen et al., 2024, M. Chen et al., 2022）仅考虑了来自不同客户端的图数据属于同一来源且具有相同分布的场景。这意味着每个客户端维护大图的部分链接结构，并通过联合训练协作提升整个图的准确性。这与我们的研究不一致，因为这些面向的客户端图数据描述了节点之间的不同类型关系，通常是异质的。域适应可以有效最小化源域和目标域之间的域偏移，从而显著提高模型在多源数据融合中的性能（Cai et al., 2024）。例如，一种基于域适应的联邦学习框架利用域适应来提高生物识别场景中的训练效率和模型性能（Z. Wang et al., 2024）。一种通用的联邦域适应对比标签消歧方法被提出以从源域和目标域中提取跨对等类的稳健共识知识（X. Liu et al., 2024）。这些方法表明，联邦域适应不仅能够有效编码面向的客户端图信息，还能利用域适应表示技术来细化全局模型。因此，为实现此目标，我们将域适应整合到联邦学习中，以最大化正对（相似实例）之间的一致性，同时最小化负对（不同实例）之间的一致性。模型可以学习区分相关信息和不相关信息，从而得到更鲁棒的学习表示。

在网络威胁以前所未有的速度和复杂性演变的时代，稳健的网络安全分析的重要性从未如此之大（Gupta and Srivastava, 2025）。传统的网络安全框架通常依赖集中式数据聚合和静态模型，在应对现代挑战方面面临严重局限，包括日益严格的隐私法规、敏感数据在各组织间的分布式特性以及对手的动态策略（Sun et al., 2023）。

联邦学习被用于网络安全以促进协作模型训练而无需共享原始数据（Latif et al., 2025）。然而，在现实世界中，大多数网络安全数据都是无标签的，因为标注需要专业知识且耗时费力，且网络威胁演变迅速。在一个域中训练的模型可能在另一个域中无法正常工作，因为多源数据是异质的。现有的联邦学习方法存在两个主要问题：无法处理无标签数据，以及无法在已学习域之外良好地泛化。因此，本研究的主要目标是解决以下研究问题：

**设计一种新颖的图联邦网络安全适应表示框架，使其能够有效利用分布式客户端上的无标签数据，同时保持网络安全分析数据的隐私，这在多大程度上是有效和实用的？**

为解决这些问题，本研究提出了一种新颖的跨面向联邦图对比学习结合域适应集成表示方法，称为FedEGCL。FedEGCL框架包括两个关键操作：（1）客户端本地训练。本研究采用图卷积网络结合嵌入对比学习机制来编码客户端图知识。该机制通过边结构重建和一跳邻居对比学习分别捕获边信息和聚类信息。此外，引入双全局嵌入对比学习机制以鼓励连续两个训练轮次生成的输出节点嵌入之间的一致性。该机制有助于在本地优化过程中保持全局共识知识，同时保留客户端特定的图知识。（2）全局模型更新。我们将本地到全局的域适应集成方法纳入全局模型更新过程。该集成方法最小化全局模型与客户端图学习模型之间的距离，以协调客户端之间的域偏移。最后，我们在通用多视图图数据集和网络安全数据集上评估FedEGCL的有效性，涵盖无监督图聚类和节点分类任务。

通过我们的研究工作，本研究旨在设计一种结合域适应表示的跨面向联邦嵌入对比图学习框架。主要贡献总结如下：

- 提出了一种新颖的多源数据融合框架，采用联邦对比表示用于网络安全分析的跨面向图数据，称为FedEGCL。所提出的框架不仅能够融合分布在各个客户端上的多源图信息而无需共享原始图数据，还能减少多源域漂移的影响。
- 我们在FedEGCL框架中引入了对比学习，以应对客户端多源图信息所带来的独特挑战，特别是在缺乏标注信息的场景下。该集成不仅增强了图信息在各类客户端应用中的实用性和通用性，还利用无标签多源图数据支持网络入侵检测任务。
- 此外，采用域适应表示来解决不同数据源之间分布偏移带来的挑战。一种本地到全局的域适应集成方法被引入FedEGCL框架。该集成方法减少了FedEGCL中由不同本地图视图信息异质性引起的偏差，并进一步提升了性能。
- 我们在五个真实数据集上评估了FedEGCL，结果表明其有效性。我们还呈现了影响FedEGCL因素的综合分析。

本文其余部分组织如下：第2节总结相关工作。第3节介绍问题定义。第4节描述所提出的框架。随后，我们在第5节进行实验。第6节总结研究。

## 相关工作

### 图数据上的联邦学习

联邦学习（FL）（Banerjee et al., 2024, Wang et al., 2023）是一种机器学习方法，能够在持有本地数据样本的去中心化客户端上训练人工智能模型，而无需交换客户端原始数据。服务器通过聚合和广播本地客户端模型参数来构建全局模型，从而在保持数据隐私的同时实现知识共享。FedAvg（McMahan et al., 2017）是训练全局模型的早期方法

## 问题定义

本节介绍与所提出的FedEGCL框架相关的一些问题定义。

**定义1 联邦学习（FL）（Wang et al., 2023）。**

联邦学习是一种机器学习方法，多个客户端各自拥有数据集D，协作训练共享的全局模型而无需直接共享数据。相反，每个客户端独立地在自己的数据上训练本地模型，然后将更新发送到中央服务器。这些更新仅包含自上一轮以来模型参数的变化。

## 方法

我们简要介绍在 多视图图数据上结合嵌入对比表示的联邦学习框架，如图2所示。FedEGCL框架的参与者包括更新全局模型的服务器和提取各自图视图知识的多个客户端。所提出的框架包含两个程序：本地模型训练和全局模型更新。具体而言，（1）在本地模型训练阶段，（a）训练客户端图模型 fθk(·)

### 参数设置

所提出的框架包含三个模块：本地训练、跨客户端图信息提取和全局模型更新。客户端图编码器由两层图卷积层组成。使用Adam优化器训练客户端图模型。学习率为0.01，权重衰减为0.0001，节点嵌入维度报告为[32,64,128,256]。对于联邦学习，客户端数量与每个图的视图数量一致。

## 结论

为应对网络安全分析中分布在不同客户端上的有限标注信息和异质图视图所提出的挑战，我们提出了FedEGCL，一种跨面向联邦图对比学习框架。FedEGCL通过图卷积网络和嵌入对比学习在无标签图数据上执行本地表示学习。特别是，双全局嵌入对比策略引入了一种聚合派生的全局参考来

## CRediT作者贡献声明

Wang Qingyong：撰写——初稿、项目管理、方法论、概念化。Han Beibei：撰写——初稿、可视化、验证、方法论。

## 利益冲突声明

作者声明不存在利益冲突。

## 致谢

作者感谢审稿人提供的宝贵和建设性反馈。本研究由中国国家自然科学基金（资助号：62301006）资助，部分由国家重点研发计划（资助号：2023YFD1802200）支持，安徽省高等学校自然科学研究项目（资助号：2025AHGXZK40390），河南省高等学校重点科研项目（资助号：25A120006）以及重

Wang Qingyong | Han Beibei