一种基于自适应泛化引导的联邦学习方法，用于统计异质性环境下的多模态工业物联网入侵检测

《IEEE Open Journal of the Computer Society》：A Novel Adaptive Generalization-Guided Federated Learning for Multimodal Industrial IoT Intrusion Detection under Statistical Heterogeneity

　　

摘要：

工业物联网环境会产生高度分布式且统计特性差异较大的数据，这使得集中式入侵检测难以实施，而传统的联邦学习在非独立同分布条件下也不稳定。为解决这一难题，我们提出了GE2F-IDS，这是一种基于泛化引导的多模态联邦入侵检测系统，它将自适应多模态表示学习与注重可靠性的聚合策略相结合。与基于规模的常规聚合方法不同，该方法在联邦加权机制中引入了局部泛化差距，通过降低过拟合客户端的权重来提升收敛稳定性及跨客户端鲁棒性。此外，还有一种可学习的门控机制，能够动态平衡网络级和系统级的遥测特征，从而实现不受攻击影响的表示学习。在多种基于狄利克雷分布的异构性条件下的TON_IoT多模态数据集上的大量实验表明，该系统的性能始终优于集中式训练、FedAvg和FedProx算法。在极端非独立同分布条件下（20个客户端，α=0.1），GE2F-IDS的准确率为97.63%，宏观F1值为0.972，比FedAvg高出2.75个百分点。在最佳配置下，该框架的准确率可达98.91%，宏观F1值则为0.987，甚至超过了集中式训练的效果。零日攻击评估进一步证明了其强大的跨攻击泛化能力，跨攻击迁移分数高达0.964，鲁棒性比率也达到0.977，表明在面对未知攻击时其性能几乎不受影响。消融分析显示，自适应融合与注重泛化的聚合相结合能带来最高的鲁棒性（CATS值为0.983；R=0.991）。这些结果表明，将泛化意识直接融入联邦优化过程，能够显著提升实际工业物联网应用中的系统稳定性、可迁移性以及对少数类数据的处理能力

查看更多