适用于物联网环境的量子韧性联邦学习技术，结合基于信任的适应性异常检测机制

《Engineering Applications of Artificial Intelligence》：Quantum-resilient federated learning with trust-assisted adaptive anomaly detection for Internet of Things environment

　　阿姆贾德·雷赫曼 | 坦齐拉·萨巴 | 卡姆兰·艾哈迈德·阿万 | 索尼娅·汗 | 莎哈·奥塔伊比 | 阿比尔·拉沙德·米尔达德
人工智能与数据分析（AIDA）实验室，计算机与信息科学学院（CCIS），苏丹王子大学，利雅得，11586，沙特阿拉伯

摘要
物联网环境需要安全且能够保护隐私的协作学习机制，这些机制在面对新兴的量子时代威胁时仍能保持强大。许多现有的分布式学习方法无法提供动态威胁检测和抗量子保护，这使得物联网部署容易受到适应性攻击和未来密码分析技术进步的威胁。本研究提出了一个自适应异常检测和基于信任的联邦学习框架来解决这些限制。该框架整合了以下组成部分：（i）基于深度学习的自适应异常检测组件，用于实时识别恶意行为模式；（ii）定量信任评估组件，利用行为证据、完整性验证结果和时间依赖因素计算数学信任分数；（iii）抗量子加密机制，结合后量子密码学和量子密钥分发，同时兼容物联网的资源限制。这些组件在一个安全的联邦学习架构中运行，该架构采用去中心化设计，并结合差分隐私和同态加密来保护本地数据并确保模型聚合的安全性。实验评估表明，在测试设置下，异常检测的准确率为96%，信任评估的准确率为93%，加密稳定性为97%，联邦同步时间为2–4秒。

引言
物联网（IoT）整合了数十亿个设备，这些设备在异构环境中持续交换数据（Rath等人，2024年；Munirathinam，2020年；Derhab等人，2023年）。该系统通过其连接结构实现了自动化操作和即时选择，但也为网络带来了重大安全风险（Habibi等人，2023年；Allioui和Mourdi，2023年；Alshathri等人，2023年）。设备处理能力的限制以及不同的网络通信标准使得系统容易受到复杂持久性威胁和未知漏洞攻击的攻击（Jeet等人，2023年；Yue等人，2025年；Ali和Rasheed，2025年）。根据Brijwani等人（2023年）的研究，使用传统基于边界保护的方法已无法有效抵御这些不断变化的威胁。物联网产生的大量分布式数据需要新的解决方案来保护隐私，因为标准的集中式机器学习方法对此任务来说还不够充分。联邦学习（FL）系统通过使用去中心化的模型训练来帮助数据所有者控制其信息（da Silva等人，2023年；Xu等人，2025年），但同时使数据容易受到污染攻击和模型逆转威胁（Lin等人，2024年；Hafi等人，2024年）。支撑物联网安全的加密算法面临着量子计算发展的生存威胁（Ur Rasool等人，2023年；Albshaier等人，2024年）。RSA和ECC加密方法的安全性因Shor的量子算法而受到威胁，因为该算法可以对它们的加密系统进行多项式时间攻击（Malik等人，2024年；Jiang等人，2024年）。后量子密码学（PQC）（Kaushik等人，2023年）和量子密钥分发（QKD）（Yousefipoor和Eghlidos，2023年；Liu等人，2025年）的安全措施显示出作为安全解决方案的潜力。基于机器学习的异常检测方法（DeMedeiros等人，2023年；Tu等人，2024年）是检测异常模式的关键方法，但大多数现有系统在攻击者改变攻击方式时无法快速更新其检测方法（Diro等人，2024年；Gao等人，2023年；Qiao等人，2023年）。

研究调查了保护物联网网络联邦学习系统免受各种安全威胁的方法，包括设备篡改、数据污染和基于量子的攻击（Sasikumar等人，2023年；Ali等人，2024年；Wu等人，2025b）。当前的FL框架可以保护设备隐私，但它们缺乏评估设备信任水平的机制，且其威胁检测系统需要定期更新以应对新的安全威胁（Friha等人，2023年；Qiu等人，2024年）。此外，它们通常依赖于在量子时代将过时的加密算法（Halak等人，2024年；Zhou等人，2025年）。根据Mekala等人（2023年）的说法，物联网系统中的现有安全弱点使它们容易受到现有和即将到来的网络攻击的威胁，这些攻击既威胁模型的可靠性也威胁数据隐私。一个安全模型需要实时异常检测能力，能够监控多个设备，同时评估设备可靠性并实施防止基于量子计算机解密攻击的加密协议。该系统需要在资源有限的条件下运行，以防止高计算或通信开销（Gugueoth等人，2023年）。本研究提出的系统使用深度学习算法进行自适应异常检测，行为指标进行信任评估，并采用抗量子加密方法。该框架建立了一个受保护的网络，将所有防御能力连接起来，以保护物联网系统免受当前的网络攻击和未来的密码系统漏洞（Sun等人，2018年）。

所提出的框架称为自适应异常检测和基于信任的联邦学习（AADT-FL），满足了在多样化物联网系统中运行的去中心化学习的需求。该系统通过自适应异常检测模块（AADM）与定量信任评估模块（QTAM）以及抗量子加密技术（QRET）之间的直接连接将这三个主要模块链接起来。AADM系统使用深度学习模型处理流式设备数据，并通过使用行为参考点和基于加权特征评估的异常评分函数来修改其检测方法（Qiu等人，2024年；Chen等人，2025年）。该系统依赖于设备行为数据通过加密哈希进行完整性检查，并使用交互历史记录来确定信任分数，该分数通过基于衰减的时间管理系统进行更新。信任分数系统允许对恶意或不可靠的设备进行实时隔离，从而影响它们加入联邦聚合的能力。QRET使用QKD和PQC算法，这些算法经过优化，可以减少本地更新和全局模型参数加密的计算需求。根据Wu等人（2025b）的研究，AADT-FL系统通过同态加密和差分隐私防止模型逆转攻击，从而实现保护隐私的聚合。该系统使用特定于设备的数据训练本地模型，并使用安全通信方法根据设备的信任分数合并来自不同设备的模型。该系统实施集成，限制了不受信任设备对完整模型的影响，以最小化污染攻击的成功率。该系统通过量子攻击模拟进行韧性测试，以验证其长期运行的能力。模拟结果表明，AADT-FL框架允许在3秒内完成快速同步操作，同时实现96%的异常检测准确率，并通过稳定运行保持97%或更高的抗量子能力。所提出的AADT-FL框架引入了新的机制，提升了物联网的安全性，超越了现有解决方案。技术贡献总结如下：
- 开发了一个基于深度学习的自适应异常检测模块（AADM），能够实时检测并使用数学优化的特征权重和异常评分函数进行阈值调整；
- 设计了一个定量信任评估模块（QTAM），该模块具有动态信任计算模型，整合了行为分析、数据完整性检查和时间衰减，以在联邦聚合过程中精细化信任决策；
- 实现了一种抗量子加密技术（QRET），该技术结合了QKD和PQC算法，针对物联网的限制进行了优化，确保了抗量子解密的安全通信通道。

本文结构如下：第3节描述了提出的AADT-FL框架的架构和工作原理。第3.1节详细介绍了信任评估模块及其数学基础。第3.2节阐述了抗量子加密机制。第4节报告了仿真设置和结果。第6节提供了深入讨论，第7节总结了论文。

相关工作
最近的研究广泛探讨了物联网的异常检测技术，强调了低延迟自适应解决方案的必要性。先进的深度学习架构已被应用于多变量数据流，以提高检测效率和准确性（Hashim等人，2024年）。使用人工免疫原理的分布式方法在工业物联网中表现出快速响应，但在处理动态和不断演变的攻击时存在局限性（Li等人，2023年）。

提出的方法：AADT-FL框架
用于物联网中的自适应异常检测和信任评估框架（AADT-FL）提供了一个完整的解决方案，可防御物联网网络的多种安全漏洞。AADT-FL框架提出了一个包含多个模块的架构设计，以增强物联网网络的安全保护。自适应异常检测模块（AADM）作为该系统的核心元素，因为它运行机器学习算法来执行...

实验设置和结果
计算评估使用了两个已建立的数据集来评估所提框架在异构流量条件下的行为。UNSW-NB15数据集提供了包含良性活动和多种攻击类别的当代网络流量记录，并且在之前的入侵分析研究中被广泛引用（Sarhan等人，2020年；Moustafa等人，2017年；Moustafa等人，2019年；Moustafa和Slay，2016年；Moustafa和Slay，2015年）。为了补充这一点，N-BaIoT...

复杂性分析
所提框架的计算需求源自四个核心组件：定量信任评估模块（QTAM）、抗量子加密技术（QRET）、自适应异常检测模块（AADM）和集成的联邦学习工作流程。QTAM引入了与处理行为统计、交互结果和所有参与设备的完整性检查相关的成本。QRET增加了额外的时间和存储需求。

讨论
面向物联网部署的安全学习系统必须考虑分布式数据的限制、异构设备行为以及对抗性操作的暴露。传统的集中式训练由于将原始信息传输到中央服务器而无法满足这些要求，从而导致隐私泄露和通信开销。联邦学习通过实现参数聚合而不是数据聚合来缓解这些问题；然而...

结论
物联网环境中的联邦学习面临与数据局部性、设备异构性和对抗性操作相关的持续限制。该研究提出了一个框架，将自适应异常分析、信任量化和抗量子密码保护整合在一个操作结构中。这些组件的组合支持实时识别不规则设备行为，并基于...

CRediT作者贡献声明
阿姆贾德·雷赫曼：撰写——原始草稿，验证，项目管理，方法论，调查，形式分析，数据策划，概念化。
坦齐拉·萨巴：撰写——审阅与编辑，撰写——原始草稿，监督，项目管理，调查，形式分析。
卡姆兰·艾哈迈德·阿万：撰写——审阅与编辑，验证，软件，方法论，调查。
索尼娅·汗：可视化，验证，资源，方法论，调查，形式分析，数据策划。

利益冲突声明
无利益冲突。

致谢
本研究得到了沙特阿拉伯国家网络安全局（NCA）提供的网络安全研究与创新先锋计划（编号：CRPG-25-3159）的资助。该研究还得到了苏丹王子大学Nourah bint Abdulrahman大学研究人员支持项目（PNURSP2026R136）的支持。作者感谢利雅得苏丹王子大学CCIS的AIDA实验室提供的支持。