Federated ConvNeXt-swin 时间融合网络：用于物联网系统中恶意软件和僵尸网络的检测

《Scientific Reports》：Federated ConvNeXt-swin temporal fusion network for malware and botnet detection in IoT systems

　　

摘要

物联网（IoT）基础设施的迅速扩展显著增加了边缘设备遭受恶意软件和僵尸网络攻击的风险。传统的入侵检测系统大多是集中式的，在分散的、异构的以及对隐私敏感的物联网环境中难以有效运行，从而限制了其可扩展性和鲁棒性。为了解决这些挑战，本研究提出了联邦卷积神经网络–Swin时序融合网络（F-CSTFNet），这是一个专为分布式物联网恶意软件和僵尸网络检测设计的联邦深度学习框架。该架构结合了基于ConvNeXt的卷积特征提取和Swin Transformer时序注意力机制，以捕捉网络流量中的局部模式和长期行为依赖性。这种混合卷积–注意力设计能够直接从网络遥测数据中检测到短期异常和不断变化的攻击动态。此外，一种通道自适应特征重新校准机制在学习来自异构和噪声较大的客户端数据时增强了系统的鲁棒性。该模型采用联邦学习范式进行训练，允许多个物联网客户端在不共享原始数据的情况下协同学习全局模型，从而保护了数据隐私和局部性。在IoT-23和N-BaIoT数据集上进行的广泛实验表明，F-CSTFNet在检测准确性、收敛稳定性和客户端级公平性方面优于多种现有的集中式和联邦式基线模型。该框架还实现了客户端之间的低性能方差、较高的Jain公平性指数（JFI），以及在分布式训练过程中减少的不平等现象。这些结果证明了所提出架构作为可扩展、保护隐私且具有弹性的入侵检测框架在下一代物联网安全系统中的有效性。