用于物联网入侵检测的高效联邦学习框架：两阶段分层流量分类方法

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Efficient Federated Learning Framework for IoT Intrusion Detection: Two-Stage Hierarchical Traffic Classification Method

　　

• •
  针对物联网入侵检测的解耦两阶段FL框架。
• •
  基于ResNet的二进制检测器，用于高效过滤良性流量。
• •
  首个用于联邦入侵检测的Mamba状态空间模型。
• •
  在非独立同分布（non-IID）环境下对UNSW-NB15、CICIDS2017和N-BaIoT数据集进行了测试。

引言

在当前的数字时代，物联网（IoT）已成为全球信息基础设施的重要组成部分。智能设备的广泛互联显著加速了智慧城市、智能制造和数字医疗的发展。然而，这一快速进展也带来了严重的安全挑战。随着便利性和商业化的日益重视，安全性和隐私漏洞变得更加突出，尤其是对于存储和计算资源有限的物联网设备[1]。此外，物联网环境中数据交互的分布式特性扩大了网络攻击面，特别是在关键基础设施和工业物联网（IIoT）中，恶意攻击可能导致严重的经济和社会后果。为应对这些不断升级的网络安全威胁，迫切需要开发能够实时监控和防御潜在攻击的高效入侵检测系统（IDS），从而确保系统稳定性和数据安全[2]。最近，基于深度学习算法的检测模型被广泛应用于入侵检测系统[3]。

深度学习技术能够高效地对高维数据进行建模，并具有强大的特征抽象能力。特别是深度神经网络（DNNs）不仅能够解析复杂特征，在低级攻击分类任务中也表现出优异的泛化性能。尽管具有这些优势，大多数基于深度学习的入侵检测系统仍假设数据存储是集中的，并且需要大量的攻击数据来构建有效的模型。不幸的是，这些全面的数据集通常不容易获得。一种常见的解决方法是从外部组织获取训练数据[4]。然而，在现实世界中，组织往往不愿意共享数据，尤其是当数据包含敏感或专有信息时。此外，收集大规模、高质量训练数据仍然是一个重大挑战，进一步复杂化了模型开发[5]。为了解决这些限制，谷歌提出了联邦学习（FL）[6]，这是一种保护隐私的协作学习框架。FL范式支持在分散的数据集上集体训练模型[7]，[8]。这种方法使多个组织能够贡献于共享的全球模型，而不会泄露其本地数据的机密性或安全性[9]。然而，联邦学习也为入侵检测带来了新的挑战，除了保护隐私之外。特别是在非独立同分布数据分布下，良性的本地更新聚合往往导致训练动态效率低下和攻击判别效果不佳。当直接将多类模型应用于所有流量样本而不考虑良性流量和恶意流量之间的内在不平衡时，这些问题会更加严重。

然而，良性流量构成了网络通信的绝大多数，而恶意流量仅占一小部分。在联邦物联网环境中，由于客户端之间的非独立同分布数据分布，严重的类别不平衡问题更加严重，导致在聚合过程中良性流量占主导地位的梯度会淹没少数攻击信号。这种现象不仅降低了少数类的检测性能，还导致了对良性样本的不必要计算。因此，将良性过滤与细粒度攻击分类解耦成为了一种原则性的设计选择，而不是启发式优化。在这种情况下，直接应用多类分类模型对所有流量进行分类可能会导致预测结果过度偏向良性流量，从而导致显著的计算效率低下。此外，二分类任务本质上比多分类任务更简单，因为它们只需要区分两个类别，从而降低了训练和推理的复杂性。在某些情况下，尤其是当攻击类别数量较多时，由于决策边界减少和类别间混淆降低，二分类模型通常表现出更高的鲁棒性和更快的收敛速度[10]。然而，二分类模型的局限性在于它们无法识别具体的攻击类型，这对于试图设计有效且有针对性的防御策略的安全分析师来说至关重要。

为了解决这些挑战，本文提出了TSC-FL，这是一种在联邦学习范式中集成二分类和多分类模型的两阶段分类框架，以提高入侵检测系统的效率和准确性。第一阶段使用二分类器区分正常流量和攻击流量。当检测到恶意流量时，第二阶段激活多分类器来识别具体的攻击类型。

在二分类阶段，我们实现了类比例不平衡的随机分布，以模拟非独立同分布特征。随机初始化一个基于ResNet的模型作为全局模型。在联邦训练过程中，客户端下载全局模型并使用各自的数据集进行本地训练。然后FedAvg算法将本地更新的模型聚合为一个新的全局模型。通过多轮联邦迭代，这一过程产生了一个高精度的二分类器。

在随后的多分类阶段，使用基于Mamba的架构重新初始化全局模型，然后进行类似于二分类阶段的联邦训练过程。这种两阶段设计使TSC-FL能够在保持计算效率的同时显著提高入侵检测性能。

• 1.
  我们将联邦物联网入侵检测重新定义为一种解耦的两阶段学习问题，其中良性流量过滤和细粒度攻击识别被明确分开。通过使学习目标与物联网流量分布的固有特性保持一致，这种设计有效缓解了由良性数据主导的数据在联邦环境中导致的类别不平衡放大和冗余计算。
• 2.
  我们设计了一个有效的两阶段联邦入侵检测框架，称为TSC-FL，包括基于ResNet的二进制流量检测器（ResBTD）和基于Mamba的多类恶意流量检测器（MamMTD）。第一阶段的ResBTD以较低的计算成本高效过滤良性流量，而第二阶段的MamMTD利用状态空间建模来捕获长距离依赖性，从而在检测性能和资源效率之间取得良好的平衡。
• 3.
  我们在三个具有异构特征空间和攻击分布的代表性入侵检测数据集上进行了广泛的实验评估，包括UNSW-NB15 [11]、CICIDS2017 [12]和N-BaIoT [13]，系统地验证了所提出的TSC-FL在联邦非独立同分布环境下的有效性和效率。

其余部分的组织结构如下。第二节提供了相关文献的总结，第三节详细介绍了所提出的两阶段入侵检测框架。第四节描述了评估方法，展示了实验结果，并进行了深入讨论。最后，第五节总结了这项研究并指出了未来的研究方向。

章节摘录

基于深度学习的入侵检测

深度学习技术现在被广泛用于基于异常的网络入侵检测系统中，以识别恶意流量。这些方法提供了强大的检测能力，因为它们可以从大规模网络流量中自动提取有意义的表示。Lazzarini等人[14]提出了DIS-IoT，一种堆叠入侵检测架构，它将多层感知器、深度神经网络（CNN）和LSTM网络集成到一个统一的模型中，从而利用了

系统模型

本节提供了对本文介绍的TSC-FL框架的全面描述。该方法由两个主要部分组成：本地客户端训练阶段和客户端-服务器交互阶段，如图1和图2所示。所提出的入侵检测架构结合了联邦学习和深度学习技术，有效检测来自物联网设备的安全威胁。该框架包含两个核心模型：一个二分类模型

性能评估

本节通过对各种数据集和实验条件进行广泛的比较分析和消融研究，对所提出的方法进行了详细评估。主要目的是严格证明所提方法的有效性和优越性，并验证每个架构组件的贡献。具体来说，本节概述了使用的数据集，阐述了实验设置，并提供了对比性能评估

结论

本文提出了TSC-FL，这是一个用于物联网入侵检测的两阶段联邦学习框架，它将良性流量过滤与细粒度攻击分类解耦。第一阶段的ResBTD使用基于ResNet的二进制检测器进行高效良性过滤，而第二阶段的MamMTD利用Mamba状态空间模型以线性时间复杂性实现准确的多类攻击识别。在UNSW-NB15、CICIDS2017和N-BaIoT数据集上的广泛实验表明

CRediT作者贡献声明

Jingnan Dong: 编写 – 审稿与编辑、可视化、软件、资源管理、资金筹集。Haolei Chen: 编写 – 原始草案、方法论、数据整理、概念化。Shigen Shen: 编写 – 审稿与编辑、可视化、资源管理、调查、形式分析。Guangxia Xu: 编写 – 审稿与编辑、监督、项目管理、资金筹集。Jun Liu: 编写 – 审稿与编辑、可视化、软件、资金筹集。Zhiquan

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。

Jingnan Dong于2016年在中国河南郑州大学获得计算机科学与技术学士学位，2023年在中国重庆邮电大学获得计算机科学与技术博士学位。他是浙江湖州师范学院信息工程学院的副教授。他是IEEE会员和CCF专业会员。他的研究兴趣包括网络入侵检测、加密

Jingnan Dong|Haolei Chen|Shigen Shen|Guangxia Xu|Jun Liu|Zhiquan Liu