FedSMOTE-DP：一种隐私保护的联邦集成学习方法，用于物联网（IoMT）网络中的入侵检测 作者：Theab Alsolami 和 Mohammad Ilyas

《Sensors》：FedSMOTE-DP: Privacy-Aware Federated Ensemble Learning for Intrusion Detection in IoMT Networks Theyab Alsolami and Mohammad Ilyas

医疗物联网中，基于联邦学习的隐私保护入侵检测框架FedEnsemble-DP通过Raw Imbalanced、Local SMOTE和Centralized SMOTE三种数据平衡策略与差分隐私机制结合，在非独立同分布（Dirichlet=0.3）场景下，ε=3.0的严格隐私保护下仍实现94.6%准确率和0.9598 AUC，显著优于非隐私基线。该研究有效平衡了安全性能与数据隐私，为分布式医疗网络提供可靠解决方案。

　　

摘要

物联网医疗（IoMT）通过互联的医疗设备改变了医疗保健领域，但同时也面临着严重的网络安全威胁，尤其是入侵和数据泄露攻击。集中式的入侵检测系统（IDS）需要数据聚合，这带来了隐私和可扩展性的风险。本文提出了FedEnsemble-DP，这是一种基于隐私保护的联邦学习（FL）框架，用于IoMT网络中的分布式入侵检测。该框架结合了三种数据平衡方法（原始不平衡数据、本地SMOTE和集中式SMOTE）以及差分隐私（DP）和安全聚合机制。在WUSTL-EHMS-2020和CIC-IoMT-2024数据集上进行的广泛实验表明，在非独立同分布（non-IID）条件下（Dirichlet分布，?? = 0.3），具有强隐私保护能力的模型（?? = 3.0）的检测性能经常能够达到或超过非隐私保护模型的水平。具体来说，使用本地SMOTE方法的模型准确率为94.60%，AUC值为0.9598；而使用原始不平衡数据方法的模型准确率为94.50%，AUC值为0.9494。即使在严格的隐私保护要求下（?? = 3.0），这些模型的性能也超过了非隐私保护模型的水平（准确率为93.20%）。集中式SMOTE方法虽然有效，但会导致训练不稳定。这些结果表明，结合本地数据平衡和校准后的差分隐私噪声可以在保护隐私的同时实现高检测性能，从而有效平衡分布式医疗网络中的安全性能和数据保密性要求。