摘要
不断出现的新类型攻击给边缘物联网网络中的入侵检测带来了挑战。虽然联邦学习能够让分布式设备在不交换原始流量数据的情况下协同训练共享检测器，但大多数联邦入侵检测系统都假设标签空间是固定的。使用所有历史数据进行重新训练会带来巨大的存储和计算成本，而仅用新收集的样本进行更新则可能导致灾难性遗忘。检测器必须在保留足够的新类学习能力以识别新兴攻击的同时，避免对先前观察到的攻击类型的灾难性遗忘，尤其是在设备数据高度非独立同分布、客户端连接不稳定、本地内存有限以及通信链路带宽受限且连接不稳定的情况下。为应对这些挑战，本文提出了一种通信效率高的联邦增量式入侵检测框架——EdgeFedCIL。该框架通过客户端本地重放和知识蒸馏来保留历史知识，同时通过自适应低秩压缩、量化以及误差反馈来减少模型传输的次数。此外，还采用分类器头部保护策略，进一步降低压缩带来的类别区分能力下降问题。在公共入侵检测数据集上的实验表明，与全精度传输相比，EdgeFedCIL在模型从客户端到服务器的累计传输量上可减少约10.54倍，同时在高度异构的客户端分布环境下仍能实现相当甚至更优的检测效果和历史知识保留性能。这些结果证明了EdgeFedCIL在资源受限的边缘物联网网络中实现持续且高效入侵检测的有效性。
