综述：面向边缘智能的联邦网络攻击检测系统文献综述：挑战、方法与未来方向

《Computer Science Review》：A systematic literature review on federated cyber-attack detection for edge intelligence: Challenges, approaches, and future directions

这篇综述针对边缘计算环境中分布式网络攻击检测的严峻挑战，提出联邦学习（FL）是一种变革性方案。文章基于PRISMA方法，系统性回顾了131篇（2020-2025年）研究，贡献包括：建立了涵盖七个主题领域的综合分析框架；深入分析了隐私-性能权衡、可扩展性等关键挑战并给出建议；前瞻性地提出了生成模型、协同防御、6G赋能智能等研究议程。本工作为在资源受限、数据分布不均（Non-IID）的边缘环境中，推进隐私保护的协同安全防御提供了基础性参考。

　　

在当今数字时代，边缘计算（EC）和物联网（IoT）设备正以前所未有的速度扩张，将数据处理从中心化的云端推向网络边缘。这种转变在带来低延迟服务和规模化隐私保护分析优势的同时，也引入了严峻的网络安全挑战。传统的网络攻击检测方法和集中式机器学习方案，在应对边缘环境特有的隐私问题、资源限制以及不断演变的网络威胁时，面临关键局限。^[1]联邦学习（FL）应运而生，它通过允许跨边缘设备进行分布式模型训练，同时保护数据隐私，为解决这一难题提供了变革性的思路。

动机与挑战：边缘安全的迫切需求

边缘基础设施正同时经历攻击面的扩大和安全事件频次的增加。据行业预测，到2025年，物联网设备数量预计将达到750亿台，这极大地扩展了攻击面。^[2]网络犯罪造成的全球损失预计到2025年将超过每年10.5万亿美元。^[3]传统的基于签名的检测机制依赖预定义规则，对零日攻击无效，且在复杂网络中误报率高。基于机器学习的检测提供了更好的适应性，但集中式训练引入了三大关键漏洞：首先，通过数据聚合带来隐私风险；其次，需要高资源，不适合边缘部署；第三，在非独立同分布（Non-IID）环境中导致性能下降。^[4]这些局限性凸显了对专为边缘约束设计的分布式、隐私保护检测机制的迫切需求，而这正是联邦学习所要解决的空白。

边缘的联邦学习：隐私保护的协同防御

联邦学习代表了分布式机器学习（ML）的范式转变，为边缘计算环境提供了隐私保护的替代方案。FL通过客户端-服务器架构迭代运行：中央服务器初始化和广播全局模型，由边缘客户端在本地训练，更新后的模型被聚合（例如通过FedAvg^[5]）并重新分发以进行进一步训练。^[6]这种去中心化方式保护了数据隐私，减少了通信开销，并有助于从地理上分散的Non-IID数据集中学习。

与网络防御相关的联邦学习最新进展包括：为异构客户端定制模型、用于可扩展部署的分层FL，以及隐私增强技术，如差分隐私（DP）、安全聚合和同态加密。^[7]这些能力共同实现了协同和自适应的防御机制，允许在复杂的边缘环境中进行自主威胁响应和跨领域知识共享。^[8]

全面的系统文献综述

本工作遵循PRISMA方法学，系统性分析了2020年至2025年7月期间发表在ACM、IEEE、Web of Science、Scopus和ScienceDirect上的131项主要研究。与现有综述相比，本研究的贡献在于：

1. 1.
   全面的PRISMA合规系统综述：首次覆盖五大主要数据库，并建立了一个结构化的七维比较框架（架构设计、隐私机制、检测能力、资源效率、可扩展性、安全集成和性能指标）。
2. 2.
   多视角的差距分析与解决方案：进行了深入的差距分析，解决了隐私-性能权衡（通过差分隐私对精度的影响量化）、异构环境中的可扩展性限制（分析Non-IID分布下的收敛速率）、对抗鲁棒性（检查中毒攻击防御）、通信效率（使用梯度压缩技术）以及标准化评估协议等关键挑战。
3. 3.
   前瞻性的研究议程：提出了一个全面的研究路线图，确定了新兴方向，包括用于合成攻击数据的生成模型、协同防御框架、6G赋能的边缘智能、零信任架构和加密流量分析。此外，还提供了从实际部署中衍生的实用实施指南。

文献计量与主题分析结果

通过对131项研究进行分析，揭示了该领域的显著增长趋势。从2020年仅有的2篇论文开始，到2024年已发表47项研究，截至2025年7月已有34项研究发表，并预测2026年将达到75项。^[9]研究类型以期刊和文章为主导（79.4%）。数据集使用方面，CIC-IDS-2017（18项）和NSL-KDD（15项）是最常用的基准。在攻击类型研究中，拒绝服务（DoS）和分布式拒绝服务（DDoS）攻击是研究最广泛的威胁（约66项），其次是入侵/未授权访问（56项）。^[10]

研究被系统性地综合为七个关键主题：

1. 1.
   采用高级隐私保护技术的经典联邦学习：专注于通过差分隐私、同态加密（如Paillier密码系统^[11]）和安全聚合等技术，在协同训练中保护数据隐私。例如，Choir-IDS框架^[12]实现了CNN-LSTM混合模型与加权聚合策略。
2. 2.
   基于对抗性训练的技术：利用自动编码器、基于损失的评分和加权异常检测来增强联邦学习系统对复杂网络威胁和投毒攻击的抵御能力。例如，在工业物联网中使用深度循环强化学习辅助的联邦学习进行多任务异常检测。^[13]
3. 3.
   自适应联邦学习技术：强调动态、智能和上下文感知的学习机制，如多模型架构、迁移学习（TL）和知识蒸馏，以处理异构数据和 evolving 威胁 landscape。例如，使用联邦堆叠LSTM进行多任务学习以减少异常检测延迟。^[14]
4. 4.
   资源高效的联邦学习：专注于为边缘设备约束量身定制的轻量级模型设计、通信效率和计算优化。例如，采用简化残差网络和局部缩放的联邦深度学习模型来检测DDoS攻击。^[15]
5. 5.
   基于安全与信任管理的技术：整合区块链技术、安全模型聚合和基于信誉的客户端选择，在分布式网络中建立健壮的信任框架。这是最活跃的研究领域，包含24项研究。
6. 6.
   基于多领域的联邦学习技术：实现跨领域学习、知识转移、集成学习和异构数据整合，以实现全面的威胁检测。包含22项研究。
7. 7.
   新兴主题：探索生成模型（如用于合成攻击数据的生成对抗网络GANs）、分割与分布式学习、数字孪生（DT）集成和多任务学习策略等前沿方法。包含17项研究。

关键挑战与未来方向

分析揭示了几个核心挑战：绝大多数（85.5%）研究处理Non-IID数据分布；大部分（89.3%）仅采用实验性评估，缺乏严格的教学基础；评估过度依赖遗留基准数据集，对当代攻击覆盖的多样性存在担忧。

基于此，未来研究应聚焦于：

• •
  生成模型与合成数据：利用GANs等生成模型创建隐私保护的合成攻击数据，用于联邦训练，以解决边缘设备数据稀缺和类别不平衡问题。
• •
  协同防御框架：开发跨组织、跨域的联邦学习框架，实现威胁情报的安全共享与协同响应，构建更广泛的防御网络。
• •
  6G赋能的边缘智能：探索6G网络超低延迟、高可靠通信特性与联邦学习的结合，实现近乎实时的协同攻击检测与 mitigation。
• •
  零信任架构集成：将联邦学习原则嵌入零信任安全模型，实现持续验证、最小权限访问和基于设备行为与贡献的动态信任评估。
• •
  加密流量分析：在联邦学习框架内开发能够直接分析加密网络流量的方法，以应对日益普遍的流量加密趋势带来的检测盲点。
• •
  标准化与可重复性：推动建立社区认可的联邦学习网络安全基准数据集（如CIC-IDS-2017、NSL-KDD、Edge-IIoTset、ToN-IoT的联邦版本）、标准化的数据划分协议和评估框架。

结论

边缘计算环境的复杂性和脆弱性对网络安全提出了前所未有的要求。联邦学习以其隐私保护、分布式协作的核心优势，成为构建下一代边缘智能安全防御体系的关键使能技术。本系统性文献综述通过全面梳理2020-2025年的研究成果，清晰地勾勒出该领域的演进脉络、技术热点与核心挑战。从经典的隐私增强机制到对抗性训练、自适应学习，再到资源优化和跨域协同，研究呈现多元化、深层次的发展趋势。然而，在隐私与性能的权衡、Non-IID数据下的模型收敛、对抗鲁棒性、评估标准化以及面向6G和零信任等新兴场景的适配方面，仍存在大量开放性问题。未来，需要学术界与工业界深化合作，在理论创新、算法设计、系统实现和标准制定等多个层面共同努力，将联邦学习切实转化为保障边缘计算生态系统安全的可靠盾牌。