Mean/Std：面向联邦物联网僵尸网络检测的轻量级分布感知聚合(Distribution-Aware Aggregation)方法

《IoT》：Mean/Std: Lightweight Distribution-Aware Aggregation for Federated IoT Botnet Detection

　　

联邦学习(Federated Learning, FL)是用于隐私保护物联网入侵检测的一种有前景范式，但在异构非独立同分布(non-IID)客户端分布与严重多类不平衡(Multi-Class Imbalance)共同作用下，其有效性会显著下降。在此条件下，传统的基于规模的聚合(Aggregation)方法会过度强调数据量大但高度偏斜(Skewed)的客户端，导致全局模型中少数攻击类的表征不足。为解决该问题，研究人员提出Mean/Std——一种轻量级分布感知聚合策略，它将客户端数据量代理(Proxy)与本地标签分布的两个互补统计量（类别比例的标准差σp及主导间隙Dominance Gap Δp=max(pc)?min(pc)）相结合，且通信开销与FedAvg相当。研究人员在N-BaIoT基准数据集（含七个异构IoT客户端、十一个流量类别）上，于受安全聚合(Secure Aggregation)工作流启发的隐私导向更新扰动(Update-Perturbation)设置下开展实验。结果表明，Mean/Std在评估的FL基线中始终提供最强的失衡感知性能(Imbalance-Aware Performance)，取得宏F1值(Macro-F1)为0.8418、平衡准确率(Balanced Accuracy)为0.8722，同时提升了少数攻击类的表征。在五个独立随机种子下的附加实验及全面的超参数敏感性分析进一步证实了所提聚合机制的鲁棒性与稳定性。综上，结果表明轻量级分布感知聚合为缓解FL-Based IoT僵尸网络检测中同时存在non-IID异构性与严重多类不平衡时的聚合偏差，提供了一种有效、鲁棒且可实际部署的解决方案。

论文解读：《Mean/Std: Lightweight Distribution-Aware Aggregation for Federated IoT Botnet Detection》

一、研究背景与动机

物联网(Internet of Things, IoT)设备在智能家居、医疗及工业环境中的广泛部署扩大了网络攻击面，由于计算资源受限、认证机制薄弱且安全更新滞后，IoT设备易被植入僵尸网络(Botnet)发起DDoS、扫描及恶意软件传播等攻击。传统基于集中式训练的机器学习入侵检测需收集各设备原始流量，引发隐私泄露、带宽压力及合规问题，且IoT安全数据集普遍存在严重多类不平衡——良性流量占主导，部分攻击类别极度稀少。联邦学习(Federated Learning, FL)允许各客户端在本地训练且仅上传模型更新，是隐私保护IoT入侵检测的有力范式，但实际部署中客户端数据天然非独立同分布(non-IID)：不同功能、流量模式及攻击暴露导致本地标签分布异质。当non-IID与严重类别不平衡共存时，FedAvg按客户端样本量加权聚合会使数据量大但标签高度偏斜（如仅含良性或少数攻击类）的客户端主导全局模型更新，造成聚合偏差(Aggregation Bias)，使集中于少数客户端的稀有攻击类信息被稀释。现有改进方法如FedProx、SCAFFOLD、FedNova、FedOpt(FedAdam)主要针对优化稳定性与客户端漂移(Client Drift)校正，q-FedAvg侧重客户端级公平性，均未在聚合阶段显式利用本地标签分布信息来纠正失衡诱导的聚合偏差。为此，研究人员提出Mean/Std轻量级分布感知聚合策略，直接修正聚合权重以抑制高度偏斜客户端的不当主导，保留FedAvg的简洁性与通信效率。该论文发表于《IoT》(MDPI, Sensors & Systems for IoT)。

二、主要关键技术方法

研究人员选用N-BaIoT基准数据集，选取其中7台异构IoT设备作为FL客户端，构建11分类（1类良性+10类Mirai与Gafgyt/Bashlite攻击）任务。各客户端按设备原生数据自然形成non-IID与类别不平衡分布，每轮全员参与（客户端参与率=1.0）。本地数据按客户端内分层采样划分为70%训练、15%验证、15%测试，特征使用基于全体训练集拟合的StandardScaler标准化。所有方法共用相同轻量级一维卷积神经网络(1D CNN)本地分类器、数据划分、预处理流程及训练超参数（SGD优化器、交叉熵损失、本地训练轮数E、通信轮数T等）。基线方法包括孤立分布式学习(Distributed Learning)、FedAvg、FedProx(μ=0.01)、FedAdam(β₁=0.9, β₂=0.999)、FedNova及q-FedAvg(q=7)。所提Mean/Std聚合中，各客户端除模型更新外仅需额外上传三个标量：本地样本数n_i、类别比例向量p_i的标准差σ_p,i=√{Σ_c(p_i,c?1/C)²/C}及主导间隙Δ_p,i=max(p_i,c)?min(p_i,c≥0)；服务器计算规模代理S_i=log(n_i+1)/log(C)及不平衡指标I_i=σ_p,i?λ·Δ_p,i+ε，得分Score_i=S_i·(I_i)^γ，归一化并施加最小权重下限后加权聚合全局模型。实验在模拟安全聚合的隐私导向扰动设置下（模型更新叠加独立高斯噪声N(0, σ_noise²)，σ_noise=0.01）进行，采用五组独立随机种子{7, 21, 42, 2025, 3407}重复实验，主评价指标为Macro-F1与Balanced Accuracy，辅以Accuracy、Macro Precision、Macro Recall、Weighted-F1、macro ROC-AUC及macro PR-AUC，并进行配对t检验与Wilcoxon符号秩检验。超参数敏感性分析遍历λ与γ取值绘制性能曲面。

三、研究结果

5.1. Overall Performance Comparison（整体性能比较）

研究人员对比Distributed Learning、FedAvg、FedProx、FedAdam、FedNova、q-FedAvg及Mean/Std在N-BaIoT上五轮重复实验的均值±标准差。结果显示Mean/Std取得最高Macro-F1=0.8418（FedAvg为0.8058）与最高Balanced Accuracy=0.8722（FedAvg为0.8449），同时在Macro Precision、Weighted-F1及PR-AUC上也最优；Accuracy与Weighted-F1与FedAvg相当或更优。表明引入本地标签分布统计量的分布感知加权能有效提升少数攻击类表征且不损害多数类性能，优于仅关注优化稳定性的基线方法。

5.2. Impact on Minority Attack Detection（对少数攻击类检测的影响）

研究人员给出各类别逐类F1-score均值。Mean/Std对受non-IID碎片化和聚合偏差影响最大的稀有攻击类——gafgyt.combo、gafgyt.junk、mirai.ack及mirai.udp——F1值均高于所有FL基线，其余类别性能保持竞争力。说明Mean/Std通过惩罚高度偏斜客户端的主导权，使携带稀有攻击模式的客户端在聚合中获得更合理权重，从而改善全局模型对少数攻击类的判别能力。

5.3. Statistical Robustness Across Random Seeds（跨随机种子的统计鲁棒性）

研究人员对五次独立种子运行结果做均值、标准差及配对统计检验。Mean/Std的Macro-F1与Balanced Accuracy标准差低且与FedAvg相当，而FedProx与FedAdam波动明显更大。配对t检验与Wilcoxon检验均得p<0.05（实际报告p值具统计显著性），证实Mean/Std较FedAvg的提升非随机初始化所致，具有统计显著性与跨种子重现性。

5.4. Hyperparameter Sensitivity Analysis（超参数敏感性分析）

研究人员固定λ扫描γ、固定γ扫描λ并绘制二维(λ, γ)性能热力图。结果表明Macro-F1与Balanced Accuracy在较宽λ（小至中等）与γ（低至中等）范围内保持稳定，存一大片高性能平台区而非孤立尖峰；过大γ会过度惩罚偏斜但具信息量的大客户端。说明Mean/Std对超参数不敏感，两参数分别调控极端类主导贡献度与整体不平衡惩罚强度，在实际部署中无需精细调参。

5.5. Interpretation of Aggregation Behavior（聚合行为解读）

研究人员通过分析指出：FedAvg隐含假设"样本量大=更新价值高"在non-IID+严重不平衡下失效；Mean/Std用数据量与标签分布多样性共同决定聚合权重，减轻高度偏斜客户端不当主导，使互补攻击知识得以保留。这与优化导向方法正交互补——后者修正客户端漂移或自适应优化但未处理聚合偏差，而Mean/Std直接作用于聚合阶段，实验结果暗示在此场景下纠正聚合偏差至少与改善优化动态同等重要。

四、讨论与结论总结

讨论部分研究人员指出：(1)实验结果验证了核心假设——在聚合阶段融入轻量级本地标签分布信息可缓解non-IID与类别不平衡共同诱发的聚合偏差，提升少数攻击类表征且稳定可重现；(2)传统FedAvg的规模假设在异构IoT环境下不充分，应同时考量标签分布多样性，Mean/Std以三个客户端本地可算标量实现此目标且无额外通信轮次、无辅助模型；(3)λ与γ具直观物理解释且存宽稳定区，便于实际部署；(4)局限含仅在N-BaIoT评估、依赖监督标签统计（未拓展至半监督/无监督）、隐私模型为模拟扰动而非形式化差分隐私或密态安全聚合，未来拟扩展多数据集、自适应超参、结合形式化隐私机制及大规模动态联邦测评。

结论（翻译自Section 7）：

本文研究了同时存在异构non-IID客户端分布与严重类别不平衡时，面向多类IoT僵尸网络检测的联邦学习问题。传统按规模加权聚合会过度强调大体量但高度偏斜客户端，限制全局模型中对关键少数攻击行为的表征。为此研究人员提出Mean/Std——一种轻量级分布感知聚合策略，将客户端规模代理与源自本地标签分布的简单统计量（类别比例标准差及主导间隙）结合，在保留标准FL简洁性与通信效率的同时缓解失衡诱导的聚合偏差。在受安全聚合工作流启发的隐私导向更新扰动设置下于N-BaIoT基准上的实验表明，Mean/Std一致优于代表性优化导向及公平性感知FL基线；失衡感知指标与少数攻击检测的提升，连同多种子统计分析与超参数敏感性研究，证明所提聚合策略在现实异构FL条件下提供稳定可重现的性能。本研究进一步表明：在高度异构IoT环境中，客户端数据集规模本身并非本地更新信息价值的充分指标，聚合过程中融入轻量级本地标签分布信息可改善互补及欠表示攻击模式的表征，且不需修改本地优化或增加通信复杂度。未来工作将评估Mean/Std于更多网络安全基准与更大型FL部署、开发超参数自适应调节策略，并将分布感知聚合与形式化隐私保护机制（安全聚合与差分隐私）结合。总之，结果表明轻量级分布感知聚合是提升同时存在non-IID异构与严重类别不平衡的IoT安全应用联邦学习效果与实用性的一个有前景方向。