面向工业互联网工业入侵检测的语义驱动联邦学习方法

《Information Processing & Management》：Semantic-driven federated learning for industrial intrusion detection in Industrial Internet of Things

　　

摘要
工业入侵检测是保障工业物联网（IIoT）网络安全的关键组成部分，其主要目标是在复杂的工业通信环境中及时发现异常行为和恶意攻击。然而，由于数据隐私限制，传统的集中式入侵检测方法难以在实际IIoT场景中部署，而现有的基于联邦学习的入侵检测模型在非独立同分布数据条件下仍面临性能下降和训练不稳定的问题。为解决这些挑战，我们提出了一种面向工业入侵检测的语义驱动联邦学习方法。通过在联邦训练过程中引入类原型语义对齐机制和语义偏差感知的动态聚合策略，所提方法在不共享原始数据的情况下，强制不同工厂节点之间攻击表示的语义一致性，从而缓解跨客户端语义漂移并提升全局模型的泛化能力。在多个工业入侵检测数据集上的实验结果表明，在不同狄利克雷分布设置下，所提方法能持续提升检测准确率和召回率，同时显著降低跨工厂的性能波动。

引言
工业物联网（IIoT）正在大规模地将传统工厂生产设备、控制系统和信息平台互联，其生命周期长且实时性要求严格（Jiang等，2024；Yang、Sun和Liu，2025）。同时，工业通信协议（如Modbus/TCP（Ahmad等，2025）、Profinet（Lu等，2025）和S7（Ben Atitallah等，2025））的深度集成、边缘控制设备（PLC/IPC）以及云边协同使得网络威胁能够通过通信链上的多个节点渗透工业系统，形成从侦察和拒绝服务（DoS）攻击到命令和参数注入的全频谱攻击面（Rathee等，2021）。因此，部署可靠的入侵检测系统（IDS）已成为确保生产连续性和设备安全的关键需求（Zhou等，2025）。

近年来，随着网络入侵日益复杂，基于集中式深度学习的入侵检测系统已成为主流方法（Ma等，2025；Xie等，2025）。如图1(a)所示，这些方法将来自不同工厂的网络流量或时序遥测数据汇聚到中央服务器，对工业流量、系统调用序列或控制信号进行特征提取和模式识别。然而，工业数据往往包含生产配方、工艺参数和资产拓扑等敏感信息（Tang等，2025）。由于法规合规要求、供应商保密协议以及跨组织协作壁垒，跨工厂数据共享在实际中难以实现。此外，有限的边缘带宽和异步节点可用性进一步制约了集中式方案，给其在IIoT环境中的可持续运行和隐私合规带来重大挑战（Hernandez-Ramos等，2025）。

如图1(b)所示，联邦学习（FL）通过在不共享原始数据的情况下实现跨工厂的入侵检测模型协同训练，为上述挑战提供了一种可行解决方案（Fathima等，2025；Zeng等，2026）。与通常需要集中收集数据的传统基于深度学习的入侵检测系统相比，联邦学习的主要优势在于能够在保持原始工业数据本地的同时实现跨工厂协同模型训练，从而降低隐私风险、通信负担和跨组织数据共享壁垒。具体而言，每个工厂使用自身的流量数据在本地更新模型参数，并定期将模型更新上传至中央服务器进行聚合，之后更新后的全局模型被分发回各客户端进行进一步训练（Liu等，2024；Shen等，2026）。对于工业入侵检测场景，联邦学习与在边缘计算、在中心协调的系统架构高度契合，为构建跨多工厂的分布式和隐私保护的入侵检测能力提供了基础（Zhang等，2024）。

然而，在多工厂工业场景中，不同工厂收集的数据往往存在显著差异，这自然导致联邦学习中的非独立同分布（Non-IID）特征（Kaur，2025；Zhang等，2023）。跨工厂的通信协议、网络结构和生产节奏差异意味着即使是同一类型的攻击在不同环境中也会表现出不同的流量特征和时序模式（Salim等，2025）。同时，攻击和正常流量的比例随生产班次和工艺调整而变化，而边缘采样率和数据处理策略的差异进一步加剧了数据不一致性（Desai等，2025）。在这种条件下，跨工厂的本地数据集和由此产生的模型更新难以对齐。如果仍采用简单的参数平均进行聚合，全局模型可能会偏向于部分工厂的特征模式，导致在其他工厂检测性能不稳定，尤其是对样本有限的攻击类型（Kazmi等，2025）。

为解决Non-IID数据分布带来的挑战，现有的联邦学习研究主要探索了优化层面的鲁棒性和表示层面的分布对齐。优化层面的方法通过重要性加权（Singh等，2024）、鲁棒聚合（Mao等，2025）、动量调整（Arimanda等，2025）或隐私保护优化策略（Cong等，2024；Luo等，2024）在参数或梯度层面缓解统计偏差或异常客户端更新。尽管这些方法可以改善聚合稳定性，但它们主要在数值更新空间中操作，并未明确描述不同客户端是否对同一入侵类别有一致的理解。为进一步减少表示差异，另一类工作引入了特征对齐、知识蒸馏、个性化建模或基于类原型的学习方法（Chen等，2024；Lin等，2024；Singh和Adhikari，2025；Wang等，2025；Xu等，2024）。特别是，类原型已被广泛用于联邦学习中以表示类别级特征中心并指导本地表示学习。然而，大多数现有基于原型的方法是为通用分类场景设计的，其中原型通常被用作辅助正则化项或个性化决策参考，很少考虑类语义如何被工厂特定的协议、流量行为和工业运行模式所扭曲。

这一局限性在工业入侵检测中尤为关键，因为Non-IID问题不仅体现在类别比例不平衡或梯度发散上，还体现在跨工厂的语义不一致性上。由于异构通信协议、设备配置、生产节奏和预处理策略的差异，同一攻击类别在不同工厂中可能表现出不同的时序特征和协议字段模式。因此，本地模型可能为同一攻击类型学习出不一致的语义表示，而语义偏差或过期的更新即使其参数幅度不明显异常，也可能进一步误导全局聚合。因此，本文研究的问题是在保持跨工厂攻击表示语义一致性的同时，动态评估客户端更新的可靠性，从而学习一个隐私保护的联邦入侵检测模型。与现有主要将原型用作本地特征中心的基于原型的联邦学习方法不同，我们的框架将类原型视为表示对齐和语义偏差感知聚合的共享语义锚点，从而将语义一致性学习与鲁棒联邦优化耦合在异构IIoT环境中。

基于这一观察，我们提出了一种语义驱动的联邦工业入侵检测框架，建立了一个涵盖表示、决策和聚合的端到端闭环（见图1(c)）。在每个训练轮次的开始时，服务器将当前的全局入侵检测模型参数和语义锚点分发给所有可用工厂。每个工厂随后使用自身的工业流量数据在本地更新模型，并生成捕获本地攻击特征的类原型。这些原型连同更新后的模型统计信息被上传至服务器，通过平滑聚合形成新的全局语义锚点。服务器随后更新全局模型并在下一轮次中将其分发，实现跨工厂的迭代知识传播和语义对齐。在聚合过程中，服务器基于语义偏差和更新时效性动态评估每个工厂更新的可靠性，并应用裁剪和修剪操作来抑制异常或噪声更新，从而维持系统稳定性和鲁棒性。在整个过程中，不传输原始数据，仅交换轻量级统计信息，从而在非独立同分布和异步工业环境下实现高效的入侵检测模型训练。需要注意的是，类原型不仅限于入侵检测，已被用于现有联邦学习研究中以缓解通用数据异质性。然而，本文的创新之处在于将其作用从通用的特征对齐扩展到面向工业入侵检测的应用导向语义可靠性建模。在多工厂IIoT场景中，同一攻击类别可能在不同工厂中表现出不同的协议字段、流量节奏和设备级响应。因此，类原型不仅是Non-IID学习的特征中心，更是工厂特定攻击表示的紧凑语义摘要。这些语义摘要进一步与全局语义锚点进行比较，以评估聚合前本地更新是否与共享攻击语义一致。通过这种方式，所提框架将基于原型的表示对齐与语义偏差感知的聚合相结合，使类原型成为隐私保护信息交换、跨工厂攻击理解和鲁棒全局模型更新之间的桥梁。本文的主要贡献总结如下：

• 我们提出了一种面向多工厂工业入侵检测的语义驱动联邦学习框架，该框架能够在保护数据隐私和法规合规的同时，实现不同工厂检测模型之间的语义级对齐。
• 我们设计了一种基于类原型的跨工厂语义对齐方法，该方法在本地抽象攻击类别的语义中心并在服务器端形成全局锚点，使不同工厂的同一攻击类别在特征空间中变得一致。
• 我们提出了一种基于语义偏差的动态聚合策略，该策略使用全局语义锚点评估更新一致性，并整合时效性与裁剪和修剪操作，实现在异步和带宽受限环境下的鲁棒聚合。

本文其余部分组织如下。第2节回顾IIoT场景下入侵检测的相关工作。第3节描述系统模型并阐述本文研究的问题。第4节介绍所提方法的细节。第5节提供所提方法的理论分析。第6节通过仿真实验评估所提方法。第7节对全文进行总结。

相关工作
为阐明所提框架的研究背景，本节回顾了集中式工业入侵检测方法和Non-IID数据下的联邦入侵检测方法，然后总结了现有研究与我们的工作之间的差异。

概述
在实际IIoT部署中，工业入侵检测通常跨多个地理和运营上独立的工厂进行，由于隐私、法规和带宽限制，数据无法集中收集。虽然联邦学习能够在不共享原始数据的情况下实现协同模型训练，但工业环境在标准联邦设置之外还带来了额外的挑战。特别是，异构通信协议和生产节奏的差异使得即使同一类型的攻击在不同工厂中也表现出不同的流量特征和时序模式。

详细实现
本节介绍了所提语义驱动联邦学习框架的核心设计。第4.1节介绍了一种基于类原型的语义对齐机制，为跨工厂的入侵表示建立了共享的语义坐标系。在此基础上，第4.2节提出了一种鲁棒聚合策略，该策略基于语义偏差和更新时效性动态评估客户端更新，从而在非独立同分布条件下实现可靠的模型聚合。

理论分析
本节给出所提方法的收敛性分析。我们考虑以下全局目标函数：F(w,μg)=∑k=1K pkE(x,y)~Dk[?ce(g(?(x;w)),y)+LSupCon(x,y;w)]+λalign∑k=1K∑c=1C ωk,c‖μk,c(w)?μcg‖22，其中w表示共享的特征提取器参数，μk,c(w)表示参数w下工厂k对类别c的本地类原型，μcg为对应全局类原型，pk=nk/∑ni为样本权重系数，ωk,c∝|Dk,c|为类别权重系数。在第t轮次，各工厂利用本地数据进行模型更新并生成类原型，服务器根据语义偏差评估各客户端更新的可靠性，并通过动态聚合策略形成新的全局模型参数和语义锚点。

性能评估
本节进行了广泛的仿真实验以评估和分析所提语义驱动联邦学习框架在工业入侵检测中的性能。完整的可运行源代码和实验脚本已在https://github.com/tangyuncan/semantic_driven_fed_ids_source_code公开。

结论
本文针对IIoT环境中联邦入侵检测系统面临的数据严重异质性挑战，提出了一种面向入侵检测的语义驱动联邦学习方法。通过在联邦训练过程中引入类原型语义对齐和语义偏差驱动的动态聚合，所提方法有效地约束了不同工厂客户端学习的攻击行为语义表示，而不暴露原始数据。

作者贡献声明
唐云灿：写作—原稿撰写、软件、方法论。
倪丽娜：写作—审阅与编辑。
张金泉：写作—审阅与编辑、软件。

梁永全：可视化、指导。
利益冲突声明
作者声明他们不存在已知的竞争性经济利益或个人关系，这些利益或关系可能影响到本文所报告的工作。
致谢
本工作由山东省自然科学基金（项目编号：ZR2023LZH018）资助。
唐云灿|尼丽娜|张金泉|梁永全