综述：针对物联网环境中入侵检测系统的联邦学习方法的综合性研究

《Computer Science Review》：A comprehensive survey of federated learning for intrusion detection systems in Internet of Things environments

　　•讨论在物联网（IoT）环境中构成巨大威胁的攻击类型。•介绍联邦学习的应用和优化措施。•总结以往研究中的关键经验。•进行实验，并对物联网环境中的数据集进行综合分析。•探讨基于联邦学习的入侵检测的未来发展方向。

1. 引言
1.1. 动机
互联网的迅速发展带来了许多便捷，但也引发了更为严重的网络安全问题。黑客入侵和恶意软件攻击会窃取私人信息用于未经授权的交易，导致财产损失（例如，密码或加密货币密钥的泄露）以及对个人安全的潜在威胁。长期以来，人们一直受到网络威胁的困扰，并不断寻找对抗方法。作为回应，现代入侵检测系统（IDS）被引入来监控异常网络流量并检测恶意攻击。然而，传统方法，如基于签名的匹配、静态阈值分析或传统的机器学习（ML），通常受到两个主要缺点的限制：较大的检测延迟和无法达到令人满意的准确性。Dong等人[1]证明，采用深度学习模型的现代IDS相比机器学习具有明显优势。目前，基于AI的IDS非常普遍，其中机器学习、深度学习（DL）和联邦学习成为最广泛使用的方法。

在IDS领域，机器学习是最早且应用最广泛的方法之一。正如Saranya等人[2]所总结的，机器学习被应用于许多场景。值得注意的是，研究表明，在KDD-CUP’99数据集上，随机森林在准确性方面优于线性判别分析和分类树及回归树，从而促进了机器学习的后续发展。然而，机器学习模型的性能很大程度上依赖于特征选择；不适当的特征会显著降低准确性。此外，基于机器学习的系统在防御零日攻击方面面临挑战。当此类攻击发生时，需要花费大量时间来收集和标记新数据，从而使用户隐私暴露于持续威胁之下。

为此，研究人员积极探索新的发展途径，从而在入侵检测领域引入了深度学习。正如Mukhaini等人[3]所总结的，他们专注于使用机器学习和深度学习技术来减轻IDS模型的负担，并将其应用于物联网环境。深度学习在处理复杂数据类型时表现出优于机器学习的能力，这得益于其自主表示学习的能力。此外，深度学习有助于处理图像和文本数据，能够捕捉更复杂的攻击模式，从而提供更强的安全保障。然而，尽管深度学习能够更快更准确地检测攻击，但在数据传输过程中仍无法充分保护用户隐私，因为流量可能被恶意实体截取和分析。

为了解决这些问题，研究人员越来越多地采用分布式模型部署方法。在McMahan等人[4]的工作基础上，联邦学习被提出并应用于多个领域。人们认识到联邦学习显著提高了数据隐私性。尽管如此，其性能往往仍不尽如人意，主要原因是分布式设备的资源受限，且数据通常具有高度非独立同分布（Non-IID）的特性，这两点都对模型性能产生严重影响。

在高隐私要求的背景下，机器学习和深度学习模型往往依赖大量的计算资源，因此比联邦学习存在更多 vulnerabilities。这个问题源于集中式服务模型需要在边缘节点和中央服务器之间传输明文数据，这为黑客提供了截取敏感信息的机会。技术上，联邦学习代表了一种分布式人工智能范式，允许在多个资源受限的边缘设备上进行模型训练。最初，联邦学习的架构仅包括边缘节点和中央服务器。然而，Arisdagessian等人[5]引入了云-雾-边缘架构，为联邦学习提供了更结构化的框架。在这种配置中，云服务器负责初始化全局模型并从雾节点收集高级更新，然后生成最终的全局模型并将其分发给雾节点。雾层作为分布式计算范式，连接云和边缘基础设施，雾节点部署在本地网络段内，以促进安全通信和协作流量分析。通过利用联邦学习框架，这些雾节点可以利用分布式边缘设备数据共同训练入侵检测模型，从而高效识别恶意流量模式，同时保护数据隐私并减少通信开销。资源受限的边缘设备收集原始数据以训练并传输梯度。因此，在这些设备上直接部署复杂模型是低效的。通常，在边缘设备上部署轻量级模型，并将其梯度传输到雾节点进行进一步更新。此外，它们收集的数据保存在本地设备中，这些模型通过持续学习不断改进。随后，雾节点将其模型参数传输到云服务器进行汇总，生成更新后的全局模型。这个全局模型再分配回雾节点，然后进一步分发到边缘设备，完成整个学习周期。

在物联网环境中应用联邦学习面临挑战，尤其是由于数据的异构性和非独立同分布（Non-IID）特性。物联网环境中联邦学习的详细分类包括水平联邦学习、垂直联邦学习和联邦迁移学习。在此背景下生成的传感器数据通常是Non-IID的，这会影响全局模型的准确性。每个本地模型都针对其特定环境进行定制，导致服务器上的聚合梯度可能存在冲突的更新方向。如果全局模型过度拟合某个局部分布，其在其他节点上的性能可能会下降，这种现象被称为模型漂移。在水平联邦学习中，模型漂移会导致连续通信轮次中全局准确性的下降。随着轮次增加，垂直漂移也可能出现。Zhao等人[6]提出的半监督联邦学习入侵检测系统通过利用大量未标记数据来近似整体数据分布，提供了一种有前景的解决方案。这种方法缓解了有限和有偏标记数据对本地设备的不利影响。另一种处理Non-IID数据的方法是使用一致性正则化和伪标记。这些方法将在后续部分详细讨论。

除了算法改进外，区块链技术显著增强了IDS的鲁棒性。通过在不可变账本上记录所有数据和过程，区块链使得攻击者几乎无法在未被发现的情况下修改信息。主要的障碍是加密哈希函数；要成功修改链式结构，攻击者必须控制网络超过51%的计算能力。此类攻击的成本通常远超过任何潜在收益。此外，由于区块链由众多分布式节点维护，任何对单个节点的未经授权的修改都会被其他节点迅速发现。其他优化方法将在后面的部分讨论。

一个关键观察结果激发了这项调查：基于联邦学习的IDS运行在两个根本不同的安全层之间。现有文献中经常将这两层混为一谈。第一层涉及网络入侵威胁，如DDoS、恶意软件和协议攻击。这些都是IDS设计用来检测和分类的外部攻击。第二层涉及模型层威胁，如投毒、后门注入、梯度泄露和Sybil攻击。这些攻击针对的是联邦学习训练过程本身。敌手可能以恶意客户端或受感染的聚合器的形式存在于学习流程中。这两层需要质量不同的防御策略。前者需要准确的流量分类和异常检测；后者则需要强大的聚合、安全的参数交换和拜占庭容错协议。在这项调查中，我们明确区分了这两个安全维度。我们定义了一个系统性的威胁模型（第4节），作为第5节中讨论的优化策略的组织框架。

尽管联邦学习在文献中已经被广泛研究，但目前仍缺乏全面的研究来说明其在IDS中的应用。文献[7]、[8]、[9]中没有详细分析联邦学习模型。此外，[5]、[8]、[10]中也缺少对物联网上攻击类型的全面讨论。文献[9]、[11]中也未提及应用于联邦学习的区块链技术。这些局限性促使我们对物联网环境中的基于联邦学习的IDS进行了全面回顾。特别是，我们提供了关于联邦学习在各种关键物联网服务中应用的相关工作分析。

1.2. 贡献
我们的贡献在于为物联网环境中的现有基于联邦学习的IDS文献提供了系统的、批判性的综合分析。本次调查的主要贡献如下：
（1）我们为物联网环境中的基于联邦学习的IDS定义了一个明确的威胁模型，区分了外部网络入侵（检测目标）和内部模型层攻击（对联邦学习训练过程的威胁，包括投毒、后门和Sybil攻击）。
（2）我们首先讨论了在物联网环境中构成巨大威胁的攻击类型。
（3）提到了联邦学习在各种场景中的应用，如车联网（IoV）、智慧城市和医疗保健，并讨论了当前面临的挑战，如资源限制、鲁棒性、非独立同分布数据的影响以及模型效率。
（4）总结了本次调查中的关键经验教训，并在表格中对比和讨论了每种优化措施。
（5）我们进行了实验并对与物联网环境密切相关的数据集进行了综合分析。
（6）我们讨论了许多重要挑战，并指出了基于联邦学习的IDS的未来发展方向。

1.3. 组织结构
本调查的结构如图1所示。第2节回顾了深度学习、联邦学习和物联网的基本原理。第3节涵盖了初步知识。第4节对潜在的物联网攻击进行了分类，并定义了一个系统性的威胁模型。该模型区分了网络入侵威胁和针对联邦学习训练过程的模型层攻击。然后我们在第5节探讨了联邦学习的优化方法，旨在提高性能和鲁棒性，围绕威胁模型中确定的两个安全维度进行组织。第6节评估了非独立同分布数据的影响，并分析了最相关的物联网数据集。第7节讨论了挑战和未来方向，特别强调了对抗投毒、后门和Sybil攻击的薄弱领域。第8节得出了结论。用于选择参考论文的方法在图2中进行了总结。

下载：下载高分辨率图片（595KB）
下载：下载全尺寸图片
图1. 调查结构
下载：下载高分辨率图片（456KB）
下载：下载全尺寸图片
图2. 文献研究方法

2. 相关工作
本节首先介绍了我们的研究范围，主要集中在物联网环境中的基于联邦学习的IDS，并说明了我们强调联邦学习的原因。然后，我们分析了选定的论文及其各自的优缺点，这些论文代表了基于联邦学习的IDS的开创性和前沿研究。本综述中包含的文献基于其新鲜度和与当前领域的相关性进行选择，选择范围仅限于过去三年。

2.1. 调查范围
总体而言，联邦学习模型相对于深度学习和传统机器学习带来了两项显著改进。首先，模型直接部署在资源受限的边缘设备上，减少了不必要的数据交换。其次，更新模型的策略涉及传输梯度而不是原始数据。因此，联邦学习具有更高的安全特性，也适用于物联网环境中的IDS。

在这项调查中，我们首先简要介绍了传统机器学习和深度学习方法作为背景。然而，我们的主要关注点是全面回顾基于联邦学习的IDS及其在物联网环境中的优化应用。与现有的从物联网和IDS原理开始的研究不同，本研究直接深入探讨了为IDS任务量身定制的联邦学习核心机制，包括处理非独立同分布数据、鲁棒性和通信效率的问题。

2.2. 相关调查
表1总结了相关调查的内容，主要比较了它们在某些领域的参与程度。文献[10]、[11]、[12]、[13]专注于联邦学习，并追踪了基于该范式的IDS的发展历程。与此同时，[8]、[14]的调查研究探讨了深度学习在现代入侵检测中的应用，尤其是在物联网（IoT）领域。先前的研究也探讨了将深度学习整合到安全框架中的方法。例如，参考文献[8]和[9]就这种整合进行了探讨，从而为其在入侵检测系统（IDS）中的应用提供了新的视角。

表1. 相关综述的比较

参考文献 | 年份 | 机器 | 联合区块链 | 攻击分类 | 详细分析 | 空单元格 | 学习 | 空单元格 | 指向IoT | 联合学习模型 |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| Campos等人 [11] | 2022 | ? | ? | × | ? | ? | × | ? | × |
| Lavaur等人 [10] | 2022 | ? | ? | ? | × | ? | × | ? |
| Arisdakessian等人 [5] | 2023 | ? | ? | ? | × | × | × |
| Moustafa等人 [9] | 2023 | ? | × | × | × | × | ? |
| Fu等人 [8] | 2024 | ? | ? | ? | × | × | × |
| Boateng等人 [7] | 2025 | ? | ? | ? | × | × | ? |
| 我们 [2025] | ? | ? | ? | ? | ? | ? | ? |

3. 前提
本节提供了必要的背景信息。我们首先介绍了物联网（IoT）的架构和关键特性，这些特性定义了应用安全算法的独特环境和挑战。然后，我们简要回顾了深度学习在传统IDS中的作用，强调了其在分布式IoT环境中的局限性，这促使人们采用联合学习。最后，我们介绍了联合学习的基本架构和工作流程，为后续章节中其在基于IoT的IDS中的详细应用奠定了基础。

3.1. 物联网的架构和特性
技术进步降低了设备连接成本，使得物联网设备得以广泛互联。例如智能手表、温度计、压力传感器、门报警器和智能恒温器等，它们应用于医疗、农业、交通和制造等领域。物联网系统的分类如图3所示。这些系统的核心组件总结如下：
- 传感器：这些设备从周围环境中收集数据。通过网络接口，传感器将获取的数据传输到中央服务器，并接收更新或指令。传感器作为物理世界和电子系统之间的主要接口，提供了模型训练所需的基本数据。
- 执行器：这些组件接收控制信号，并将其转换为物理动作，如运动、声音或光线。执行器使系统能够根据处理后的传感器数据或预定义的逻辑与物理环境进行交互或干预。

下载：下载高分辨率图片（475KB）
下载：下载全尺寸图片

图3. 基于联合学习的物联网架构
如上所述，物联网系统主要由传感器和执行器组成。它们的固有特性往往导致数据变得异构和非独立同分布（non-IID）。此外，隐私保护仍然是一个重大挑战，因为信息经常以明文形式传输。这种做法不仅增加了通信开销，还导致了数据孤岛现象。典型的物联网架构遵循三层模型[15]，包括云计算服务器、雾节点和边缘设备。云计算服务器拥有最多的计算资源，负责核心模型训练和数据聚合。相比云计算服务器，雾节点的资源有限，承担一些轻量级的聚合工作。边缘设备资源最少，主要负责模型执行。尽管在某些情况下也使用四层和五层架构，但本文重点讨论经典的三层结构。

在物联网环境中部署基于联合学习的IDS受到其分层架构的影响。通常，入侵检测模型部署在边缘设备上，模型训练和数据聚合由雾节点和云计算服务器处理。深度学习和联合学习都已被应用于这一领域。然而，深度学习方法通常以明文形式传输数据，使其容易受到各种攻击。相比之下，具有分布式特性的联合学习仅传输梯度更新，为物联网环境中的安全IDS提供了更合适的框架。以下章节将详细介绍基于深度学习和基于联合学习的IDS在物联网环境中的应用。

3.2. 深度学习
深度学习为网络入侵检测提供了一种有效的方法。与传统的机器学习方法相比，它消除了手动特征提取的需要，从而提高了训练效率。因此，深度学习已在实际IDS中得到广泛应用。例如，Fu等人[8]调查了基于深度学习的分布式拒绝服务（DDoS）攻击检测方案，为解决这一持续威胁提供了宝贵的见解。此外，Fu等人[16]还提出了一个使用改进的多尺度卷积神经网络和残差网络的框架，用于检测Android平台上的恶意软件并增强移动设备的安全性。Li等人[17]强调了深度学习在自动化物联网环境中的安全监控方面的能力，并将讨论扩展到智能车辆（IoV）和智能家居环境。此外，深度学习在工业物联网（IIoT）中尤其有效。例如，Abdel-Basset等人[19]提出了Deep-IFS，这是一种基于深度学习的框架，用于识别工业网络中的恶意流量。尽管如此，传统深度学习模型对明文传输的依赖仍然是其在IDS中应用的一个重大限制。

3.3. 联合学习
由于其分布式特性和仅传输梯度的机制，联合学习在IDS的发展中取得了显著进展。在这种框架下，一个有效聚合的全球模型从边缘设备收集梯度，从而减少了网络延迟并增强了针对潜在窃听者的隐私保护。此外，分布式模型的轻量级特性使其易于在资源受限的设备上部署，非常适合物联网、智能车辆和其他边缘计算场景。联合学习的主要优势总结如下：
- 低通信延迟：与通常涉及将原始传感器数据传输到中央服务器（往往导致大量通信延迟）的传统深度学习不同，联合学习仅传输模型参数。这些参数比原始数据轻得多，从而减少了延迟。
- 增强的数据安全性：联合学习传输模型参数而不是原始数据，使得窃听者更难以直接访问敏感信息。然而，对手仍可能尝试通过分析聚合参数来重构数据。这种重构需要相当多的资源和时间。Ruzafa-Alcázar[20]引入的差分隐私等技术可以阻止模型反演攻击。
- 提高的学习准确性：随着对网络安全需求的增加，联合学习受益于更多的计算资源和更高质量的数据集。研究人员继续开发新方法来提高其性能。例如，Zhao等人[6]将半监督学习（SSL）纳入联合学习框架，从而在训练准确性方面取得了显著提升。

自2016年[4]诞生以来，联合学习已经发展成为人工智能的一个主要子领域，为研究人员和实践者提供了构建IDS的新范式。它的发展为分布式AI能力提供了支持，并引入了智能物联网系统的复杂架构解决方案。近年来，对边缘设备数据泄露的日益关注激起了人们对联合学习的兴趣，作为一种保护隐私的分布式IDS构建方法。该框架确保用户的私人数据不需要通过网络传输或暴露给第三方。

典型的联合学习系统由两个主要组件组成：中央服务器和多个客户端设备。客户端可能包括个人手机、智能手表、传感器、工业设备、车辆和其他计算资源有限的边缘设备，这些设备对本地模型训练构成了巨大挑战。中央服务器通过初始化全局模型并将其分发给客户端来协调训练过程。每个客户端使用其私有数据进行本地训练，并将更新的模型参数而不是原始数据返回给服务器。然后服务器使用联合平均（Federated Averaging）等算法聚合这些更新，以优化全局模型。这一过程不断重复，直到模型收敛。通过这种协调，中央服务器能够在不直接访问客户端原始数据的情况下实现协作学习，从而保护隐私。

我们现在介绍常见的联合学习架构，如表2所示。这些架构与物联网环境中的IDS具有很强的兼容性。
- 水平联合学习（HFL）：HFL适用于客户端数据的特征空间对齐（即列是一致的），但样本空间在不同客户端之间不同（即行不共享）的场景。一个典型的用例出现在医疗领域，患者可能有相似的医疗状况，但在年龄属性和其他人口统计属性上存在显著差异。HFL使得无需共享原始数据即可协作训练统一的全局模型，从而克服数据孤岛问题。在HFL中，中央服务器维护多组模型参数。每个客户端选择损失最小的模型，下载它，进行本地训练，并将更新的梯度上传到相应的参数集。每个参数集独立聚合，有助于缓解非独立同分布数据带来的挑战。表3总结了关键的HFL研究，图4展示了基于HFL的IDS架构。

表3. 基于水平联合学习的入侵检测系统比较

参考文献 | 场景 | 技术 | 优点 | 缺点 |
| --- | --- | --- | --- |
| Ren等人 [21] | 智能电网 | 差分隐私；通信轮次折扣方法 | 通过差分隐私，模型准确率超过98%，并在100轮内收敛。创新性地组合了HFL和差分隐私；折扣方法提高了计算效率。引入噪声会影响模型准确性；实现复杂性相对较高。 |
| Yang等人 [22] | 医疗物联网 | 新的基于身份的签名方案和线性同态加密以及MAC | 总计算成本约为22.87毫秒，模型开销随物联网节点数量线性增加。提供了强大的隐私保护能力，并确保了模型的准确性和可扩展性。尚未在真实的大规模部署的医疗物联网环境中得到验证，且仅限于水平学习。 |
| Huang等人 [23] | 准确性优化 | 双动量梯度方法；基于信息的加权策略 | Sent140；Shakespeare；FEMNIST；MNIST | 由于收敛速度更快，所需的通信轮次较少。将动量加速与公平权重结合显著提高了公平性。对隐私和安全的考虑不足，且对抗恶意攻击的鲁棒性未知。 |
| Zhang等人 [24] | 准确性优化 | 深度强化学习 | 由GT-ITM生成 | 在LtaR、LtaR2C和Acc三个关键指标上稳定显著优于所有基线算法。开创性的架构设计，强大的隐私保护能力和出色的性能。计算和通信开销之间的权衡非常复杂，尚未在实践中得到验证。 |
| Hammoud等人 [25] | 物联网中的雾联盟 | 基于Hedonic游戏的按需雾联盟形成 | SUMO轨迹数据；Kaggle交通标志数据集 | 平均呼叫延迟低至18毫秒，准确率约为82%，收敛速度高于非联盟方案。首次结合了动态雾联盟形成和HFL，确保了隐私和效率。计算和通信开销以及模型复杂性相对较高，且实验环境有限。 |

下载：下载高分辨率图片（222KB）
下载：下载全尺寸图片

图4. 物联网环境中的基于水平联合学习的入侵检测系统

- 垂直联合学习（VFL）：VFL适用于客户端数据集在样本空间部分重叠（即某些行对应相同的实体）但在特征空间不同（即列不对齐）的场景。关键挑战是在保留数据隐私（如财务信息）的同时共同构建特征增强的模型以提高预测性能。一种常见的解决方案是使用私有集交集（PSI）技术，这些技术使用加密协议（如哈希或忽略传输）来安全地识别不同客户端之间的重叠用户ID，而不泄露非重叠样本。图4描绘了一个基于VFL的IDS。VFL的典型步骤如下：
(1) 组织A计算中间特征????，并将它们加密传输给组织B。
(2) 组织B根据????和本地特征????计算输出，并计算损失。
(3) 组织B反向传播到????，并将梯度????传输回组织A。
(4) 两个组织更新各自的本地模型。基于垂直联邦学习的入侵检测系统比较。

**参考文献**
**场景**
**技术要点**
**数据集**
**性能**
**优势**
**劣势**

**Gong等人[26]**
**同态加密**
**跨域交互模块；多模态编码器交互模块。**
Twitter-15；Twitter-17；CMU-MOSI；IEMOCAP。**
展示了其在情感分类中处理多模态语义融合的强大能力。**
首次提出并解决了多模态垂直联邦学习的问题。**
泰勒展开的介绍增加了开销并导致模型复杂性增加。**

**Qiu等人[27]**
**防御数据重构攻击**
**引入哈希技术以替代传统的同态加密。**
MNIST；CIFAR10；FER。**
保持了与无防御基线模型相似的准确性。**
安全保障充分，性能损失最小。**
增加了通信开销，并存在信息损失和灵活性降低的问题。**

**吴等人[28]**
**无监督表示学习**
**使用一次性通信完成协作训练。**
NUS-WIDE；MovieLens。**
通信效率极高，且隐私-效用权衡有效。**
模型性能强大，通用性和可扩展性好。**
性能依赖于无监督表示的质量。**

**张等人[29]**
**工业4.0**
**分割学习和基于原型的聚合。**
MNIST；FEMNIST；CIFAR10。**
收敛特性稳定迅速，模型准确性高。**
强大的异构处理能力和高通信效率。**
依赖于原型质量，对服务器的计算压力大。**
下载：下载高清晰度图像（229KB）
下载：下载全尺寸图像

**图5. 基于垂直联邦学习的物联网环境中的入侵检测系统。**
• **联邦迁移学习（FTL）：**
FTL适用于客户端拥有不同样本、特征和潜在不同学习任务的场景。**
其目标是实现跨域知识迁移，而不仅仅是简单聚合同模型参数。**
FTL通过将来自异构空间的特征映射到共享表示空间来操作，从而在不需要共享原始数据的情况下进行多客户端数据协作训练。**
为了在训练过程中保护隐私和安全，通常会应用加密技术来保护模型聚合阶段的梯度更新。**
表5提供了代表性的FTLFL研究的总结，图6展示了一个基于FTL的IDS示例。**

**表5. 基于联邦迁移学习的入侵检测系统比较。**

**参考文献**
**场景**
**技术要点**
**数据集**
**性能**
**优势**
**劣势**

**Pei等人[18]**
**物联网恶意软件检测**
**半监督联邦学习，子图聚合胶囊网络和多层聚合。**
DREBIN；MalDroid；AndroZoo；VirusShare。**
F1分数、TPR和FPR等指标均优于基线模型。**
平衡了隐私保护和效率，减少了对注释的依赖，并提取了多粒度特征。**
依赖于教师模型，通信开销高，训练时间长。**

**Sri Abhijit等人[30]**
**分布式物联网环境**
**基于阈值的N轮迁移学习。**
CSE-CICIDS-2018；UNSW-NB15；Edge-IIoT。**
在罕见攻击检测方面有显著改善，F1分数超过98%。**
高效检测罕见和零日攻击，通信效率高。**
计算复杂性高，但对对抗性攻击的鲁棒性未评估。**

**Le等人[31]**
**跨设备知识迁移**
**泛化模型构建和设备上学习。**
Fashion-MNIST；CIFAR10；CIFAR100。**
与FedAvg相比，在Fashion-MNIST和CIFAR-10/100数据集上的性能提高了2%-10%。**
双向知识迁移的收敛速度快速。**
知识类型选择敏感，超参数调优复杂。**

**Dang等人[32]**
**物联网设备选择**
**多目标优化（MOO）基础设备选择。**
Fashion-MNIST；MNIST；CIFAR10。**
在CIFAR-100上，FeDAVG-MoOS-KT的准确率达到64.09%，比FedAvg高出32.79%。**
知识迁移加速了收敛，并具有很强的兼容性。**
计算复杂性高，依赖于代理数据。**
下载：下载高清晰度图像（246KB）
下载：下载全尺寸图像

**图6. 基于迁移学习的物联网环境中的入侵检测系统。**

**表2. 三种联邦学习范式的比较。**
**维度**
**架构**

| 横向联邦学习 | 垂直联邦学习 | 迁移联邦学习 |
|------------|------------|------------|-----------|------------|------------|-----------|
| 数据对齐要求 | 特征对齐，样本错位 | 部分对齐的样本和特征错位 | 样本或特征无对齐 | | |
| 通信开销 | 中等（梯度/参数） | 高（频繁交换中间结果） | 低（仅知识总结） | | |
| 隐私风险点 | 原始数据的梯度泄露 | 样本对齐暴露ID + 中间特征泄露 | 软标签可能包含敏感信息 | | |
| 最佳应用场景 | 同质任务 + 分布式用户（物联网/医疗保健） | 跨机构联合建模（金融/广告） | 跨域或资源受限（边缘设备） | | | |

**4. 物联网环境中的攻击模型**
在本节中，我们重点讨论物联网环境中的攻击方法，这些方法对基于物联网的系统构成了严重的潜在威胁。

**4.1. 对物联网节点的攻击**
(1) **物理攻击：**
Barrere等人[33]提到的物理攻击被系统地分为八种主要类型，包括环境干扰、物理破坏、电磁干扰等。**
这种分类为全面识别和评估物理威胁提供了基础。**
(2) **固件攻击：**
Alavi等人[34]建议将恶意代码植入固件操作系统，使其能够在设备启动时绕过验证。**
如果固件更新机制也被破坏，这种漏洞可能会被利用来勒索设备，从而直接威胁工业系统的物理安全。**
(3) **恶意软件感染：**
这种攻击构成了一种高度自动化的、流水线式的攻击链，用于暴力破解和传播。**
一旦设备被感染，它不仅会遭受资源消耗，还会成为进一步传播的工具。**
此外，正如Murakami等人[35]指出的，避免感染并不能保证安全。**

**4.2. 对通信和网络的攻击**
(1) **窃听和流量分析：**
攻击者通过部署基于公共信息的窃听设备来窃听相关流量，并分析其是否具有潜在的攻击倾向，然后根据情况发起攻击。**
(2) **中间人攻击：**
Conti等人[36]提到，这是一种攻击者秘密介入两个或多个通信端点的情况。**
其核心目标是在不完全了解双方通信内容的情况下控制通信渠道。**
主要方法包括IP劫持和欺骗，如ARP欺骗和DNS欺骗等。**
(3) **协议攻击：**
Scott等人[37]讨论了与边界网关协议（BGP）相关的协议攻击。**
攻击通过自治系统（AS）前缀劫持、子前缀劫持、AS路径伪造和监控规避等方法进行，从而造成损失。**
(4) **DDoS攻击：**
Pakmehr等人[38]提到，这是一种通过操纵大量受控设备（尤其是物联网设备）向目标系统发送大量请求的方法，从而耗尽目标系统的资源。**
主要攻击类型包括应用层攻击、传输层攻击和网络层攻击。**

**4.3. 对应用程序和云服务器的攻击**
(1) **不安全的API：**
攻击者利用API的设计或实现缺陷非法访问数据、篡改操作或发起高级攻击。**
在物联网环境中，API是设备与云平台、移动应用程序和其他设备交互的核心通道，其安全性直接关系到整个系统的可靠性。**
(2) **云数据泄露：**
Chen等人[39]提到，云服务提供商或攻击者可能推断出应通过加密数据、索引结构或用户查询令牌来保护的敏感信息。**

**4.4. 基于联邦学习的IDS的威胁模型**
虽然前面的小节分类了针对物联网基础设施的外部威胁，但基于联邦学习的IDS面临另一类根本不同的对手：那些在学习过程本身内部操作的对手。**
为了系统地推理安全保障，定义一个明确的威胁模型至关重要，该模型指定了对手的能力、目标和知识。**
我们根据两个正交维度对对手进行分类：他们相对于联邦学习系统的位置以及他们的行为模型。**

**4.4.1. 基于位置的对手分类**
(1) **外部对手：**
这些对手针对物联网网络基础设施（例如窃听、DDoS和中间人攻击），如4.1节所述。**
他们不参与联邦学习训练过程，主要目的是破坏网络通信、设备完整性或服务可用性。**
(2) **内部对手：**
这些对手是联邦学习训练过程的参与者——要么是被攻破的客户端，要么是恶意的聚合器。**
与外部对手不同，他们可以直接操纵模型更新、注入恶意数据或偏离预定协议以破坏全局模型的完整性。**
内部对手提出了独特的挑战，因为他们的恶意行为隐藏在看似合法的训练程序中。**

**4.4.2. 内部对手的行为模型**
(1) **诚实但好奇的（半诚实的）客户端：**
这些客户端正确遵循联邦学习协议，但试图从共享梯度或模型参数中推断其他参与者的敏感信息。**
防御措施包括差分隐私和安全聚合，如5.3节所讨论的。**
(2) **恶意客户端（拜占庭对手）：**
这些客户端积极偏离协议以破坏全局模型。**
主要攻击手段包括：
• **数据投毒：**将错误标记或伪造的样本注入本地训练数据集中，从而在聚合时破坏全局模型。**
• **模型投毒：**向服务器提交任意操纵的梯度更新，旨在阻止收敛或将全局模型引向恶意目标。**
与数据投毒不同，模型投毒直接控制梯度的大小和方向，可能更具破坏性。**
• **后门攻击：**在本地模型中嵌入隐藏的触发器（例如网络流量中的特定字节模式），使得全局模型在处理干净样本时错误分类攻击者选择的输入。**
后门攻击在IDS中尤其危险，因为它们可以为特定攻击模式创造故意的盲点。**
• **Sybil攻击：**单个对手控制多个假客户端身份（Sybil节点），以放大其对聚合模型的影响，可能在聚合过程中覆盖诚实客户端的投票。**
(3) **恶意聚合器/服务器：**
被攻破的中央服务器可能会选择性地丢弃某些客户的更新，篡改聚合过程，或尝试从个别梯度中重建私人训练数据。**
这种威胁模型需要分散式架构，如5.4节详细阐述的基于区块链的联邦学习。**
这种威胁模型为理解5节中讨论的优化方案提供了概念基础。**
**关键的是，我们强调两个根本不同的安全层次之间的明确区分：**
(i) **网络层入侵（例如DDoS、恶意软件和协议攻击）是基于联邦学习的IDS旨在检测和分类的目标；**
(ii) **模型层攻击（例如投毒、后门和梯度泄露）是对联邦学习训练过程本身的威胁。**
以下部分通过有针对性的优化策略系统地解决了这两个维度：**
5.1 优化解决方案以应对资源异质性和约束，5.2 优化方案以应对非独立同分布（Non-IID）数据，专注于提高对网络入侵的检测性能；**
5.3 优化方案以增强安全性和隐私保护，**
5.4 优化方案以增强鲁棒性，专注于加强联邦学习训练过程对抗模型层对手。**

**5. 物联网环境中入侵检测系统的联邦学习优化方案**
如上述威胁模型所分析的，基于联邦学习的IDS必须同时应对两类安全挑战：检测外部网络入侵和防御内部模型层攻击。**
在本节中，我们系统地讨论了这两个维度的相关优化措施，包括资源感知的客户端选择、非独立同分布数据处理、隐私保护机制、鲁棒性增强和通信效率。**
比较结果在表6中展示，相关表格术语的解释如下：**
• **核心目标：**
主要展示我们需要关注的最重要点。**
• **数据特征：**
不同的设置总是具有不同的数据特征，这些特征影响模型选择和数据处理。**
• **约束：**
讨论影响后续操作的网络和设备约束。**
• **模型焦点：**
面对不同的数据特征，我们需要选择最合适的模型。**
• **隐私和安全：**
突出该设置中最重要的安全点。**
• **解决方案：**
提供适当的解决方案。**

**表6. 物联网环境中攻击检测的比较。**
**环境**
**核心目标**
**数据特征**
**约束**
**模型焦点**
**隐私和安全**
**解决方案**
**智能家居**
用户隐私、低成本和舒适性。
非独立同分布数据，用户习惯差异大。
设备异质性高，网络不稳定，电池敏感。
轻量级模型和个性化模型。
防御隐私推断攻击。
**FedProx算法、模型压缩和迁移学习。**

**iioT**
**高可靠性、实时性能、生产安全和零停机时间。**
设备同质性高，数据分布相似，数据量庞大。
工作环境恶劣。
复杂的高精度模型、异常检测模型和时间序列模型。
防御投毒攻击。
**少样本学习、生成对抗网络和鲁棒聚合。**
**iV**
驾驶安全性、低延迟和高移动性。
环境高度动态，地理空间数据重要。
设备移动速度快，网络连接间歇性。
低延迟推理模型、集成模型和强化学习模型。
防御模型盗窃攻击和虚假信息注入。
**模型蒸馏和耐延迟的联邦学习协议。**

**医疗保健**
患者隐私保护、生命安全、高模型准确性和法规遵从性。
高度敏感，异质性高，注释稀缺且专业。
医疗终端资源有限。
高精度模型、可解释模型和轻量级模型。
最高级别的隐私要求需要使用差分隐私或其他加密方法。
**FedBN、多任务学习和公平性约束。**

**5.1. 优化解决方案以应对资源异质性和约束**
大多数物联网环境由资源受限的小型设备组成，特别是在农业、气象、医疗保健和工业领域；**
其中，设备通常是常见的，例如温度计、气压计、红外测距仪等非常简单的数据收集设备，以及一些向外部环境输出信息的设备，如振动电机、灯泡、扬声器等。资源异质性问题通常指的是设备之间资源分配的显著差异。例如，最基本级别的设备的资源极其稀缺，而雾节点的资源则相对丰富。为此，我们对这一问题进行了深入调查和进一步分析。我们认为，在联邦学习的应用中，客户端的选择非常重要，因为它可以缓解资源异质性和资源限制带来的约束。Smestad等人[40]系统地总结了客户端选择的四大挑战，即数据异质性、资源分配、通信成本和公平性。其中，数据异质性是联邦学习客户端选择的主要挑战，几乎一半的研究都集中在这一问题上。Huang等人[41]提出了基于声誉的客户端选择算法（RBCS-F），该算法首次将Lyapunov优化与上下文组合多臂老虎机（C2MAB）模型结合使用。它在确保长期公平性的同时，最小化了模型交换时间，为客户端选择提供了基础。Chao等人[42]提出了折现UCB指数，该指数结合了历史折现的局部损失值与探索项，以解决由于使用过时的局部损失值而导致传统偏见选择策略的偏差或收敛缓慢的问题。这种方法消除了额外的通信开销，提高了收敛速度和公平性，并避免了误差底限效应。Wang等人[43]严格证明了偏见选择的收敛性，并揭示了高损失客户端加速收敛的机制。他们提出了一种选择策略（PoC），从候选集中选择局部损失最高的m个客户端，从而实现更快的收敛速度并降低通信成本。正如Fu等人[44]所指出的，客户端选择需要同时对统计效用（例如梯度重要性）和系统效用（例如截止日期约束）进行优化。为了解决联邦学习中的异质性挑战，Li等人[45]提出了金字塔联邦学习框架，该框架通过客户端内的细粒度优化显著减少了训练时间，并提高了高度异质场景的准确性，例如动态增加局部迭代次数和梯度重要性。

5.2. 处理非独立同分布（Non-IID）数据的优化方案
非独立同分布数据与资源异质性有所不同。前者的主要问题是由于不同环境导致相同设备具有不同的数据结构，而后者则涉及由不同设备生成的全然不同的数据。例如，摄像头和温度计产生的数据就属于后者。非独立同分布数据的典型例子是在智慧城市中。由于城市有不同的区域和各种功能，即使在同一类型的设备被部署在不同的区域，所产生的数据也都是非独立同分布的。图7展示了应用于智能城市的联邦学习的基本架构。当然，在现实中，这两个问题通常会同时出现。

Hegiste等人[46]提出了一种基于联邦学习的USB接口质量检测解决方案，该方案解决了制造业中的数据隐私和数据碎片化问题。分类模型使用VGG-19模型在联邦框架内进行训练。此外，还使用了真实的USB缺陷数据集（非独立同分布数据），并通过外部USB 3.0数据集验证了泛化能力。Mills等人[47]提出了通信效率高的FedAvg（CE-FedAvg）算法，该算法结合了分布式Adam优化和梯度压缩，在非独立同分布数据下显著提高了收敛速度和通信效率。Nguyen等人[48]提出了一种具有加权近端项的联邦学习算法，以应对非独立同分布数据、设备异质性和带宽限制。他们共同优化了联邦学习训练的能耗和完成时间，并使用路径跟踪算法来解决非凸问题。当Wu等人[49]探讨联邦学习个性化策略和云边个性化联邦学习架构时，他们提出了PerFit框架，并提供了四种子解决方案的专业概述，以准确处理物联网设备的异质性和非独立同分布数据问题。

为了进一步解决非独立同分布数据问题，半监督学习也是一个有前景的方法，我们将在下一段讨论半监督学习。此外，使用半监督学习的基于联邦学习的入侵检测系统（IDS）架构如图8所示。典型的论文比较总结在表7中。为了应对非独立同分布数据，Truong和Zhao[50],[51]提出了带歧视器的半监督学习。经典联邦学习当前的问题包括参数泄露、非独立同分布数据和冗余的网络开销。引入半监督联邦学习有助于通过分类器对未标记数据进行提炼来提高模型性能。然后他们使用CNN从数据包中提取特征来训练分类器和歧视器。最后，经过良好训练的分类器和歧视器有助于处理非独立同分布数据。此外，投票机制和硬标签策略节省了网络开销并缓解了非独立同分布数据问题。后续论文[52],[53]也提出了半监督学习，这些论文都倾向于使用这种机制来缓解大量非独立同分布数据带来的准确性下降问题。

表7. 使用半监督学习的基于联邦学习的入侵检测系统比较

参考文献
| 技术点 | 数据集 | 性能 | 优势 | 缺点 |
| --- | --- | --- | --- | --- |
| Aouedi等人[59] | 自编码器 | 天然气管道数据集；密西西比州立大学的水箱控制系统数据集 | 准确率超过90%，仅使用2%的标记数据即可与先进方案相媲美 | 架构清晰、实用性强，实现了隐私保护和高效率的共存 | 特征与任务之间的潜在差距，以及对服务器标记数据的依赖 |
| Quyen等人[60] | 联邦蒸馏；本地验证器 | 在非独立同分布数据下，准确率与先进的半监督联邦学习方案相当或略高 | 极高的通信效率、强大的鲁棒性和强大的抗污染能力 | 架构复杂，依赖于公共数据集，并对超参数敏感 |
| Zhang等人[61] | FedMix算法 | Fashion-MNIST；CIFAR10 | 在CIFAR-10数据集上的准确率达到63%，显著高于基线方法FedMatch的51.5% | 对异构数据具有高度鲁棒性，覆盖实际场景 | 计算和通信开销相对较大，主动学习策略的效果不稳定 |
| Kassem等人[54] | 将联邦学习与半监督学习结合，从标记数据中提取时间模式并指导未标记数据的特征学习，实现了在保护隐私的多中心协作中的高效半监督学习 | 此外，Zhang等人[55]发现现有方法因梯度多样性过高而面临聚合失败的问题。他们证明了梯度多样性是半监督联邦学习的性能瓶颈，并提出了群体归一化（GN）和群体模型聚合策略来显著提高未标记数据的利用率 |
| Zhao等人[56] | 通过使用客户端端的无监督学习提取通用表示和服务器端的少量标记数据进行联邦学习，从而解决了联邦学习中的标签稀缺问题，同时降低了通信开销并保持高准确率 | 引入半监督联邦学习 |
| Lin等人[57] | 通过集成一致性正则化和多客户端投票伪标签，解决了非独立同分布数据导致的模型强度下降问题 | 针对物联网设备生成的多模态数据和多样化客户，Zhao等人[58]提出了一种多模态半监督联邦学习模型。该模型使用未标记的多模态数据进行本地学习，以及少量标记的单模态数据进行服务器端学习，以实现跨模态测试，从而提高模型在多模态数据上的性能 |

表8提供了针对五种代表性类别的处理非独立同分布数据的联邦学习策略的结构化比较。比较依据四个实际维度进行组织：解决数据异质性的机制；在轻度与重度非独立同分布条件下的预期鲁棒性；相对通信和计算开销（对物联网部署至关重要）；以及最合适的物联网应用场景。这种分类法有助于从业者选择适当的策略。选择取决于目标物联网环境的具体异质性特征和资源限制。

5.3. 提高安全性和隐私保护的优化解决方案
安全性和隐私保护是联邦学习应用中最重要的领域之一，因为联邦学习的分布式特性非常适合物联网设备。因此，在本小节中，我们重点讨论与隐私保护相关的应用场景和优化解决方案。为了应对物联网环境中超传统入侵检测系统（IDS）的低性能问题，[62],[63]设计了一种高效的基于联邦学习的IDS。他们引入了使用特征提取算法的联邦学习框架来提高模型准确性。Yang等人[64]指出，当前的智能机场物联网系统存在严重的安全问题。因此，他们引入了一种基于联邦学习的IDS，该IDS使用了基于知识蒸馏和门控循环单元（GRU）的差分隐私（DP-FL-IDS）模型，提高了系统的安全性，并保持了模型的准确性。自适应参数更新机制的使用大大优化了差分隐私的性能。Otoum等人[65]指出，当前的物联网环境和无线网络无法确保框架内的安全性。此外，网络入侵者的数量不断增加，这些应用被入侵的风险也随之增加。即使部署了IDS，也无法充分保护个人隐私。为此，Otoum引入了联邦学习作为构建IDS的框架，并且强化学习的使用也提供了更高的性能。Huertas Celdrán等人[66]发现，如频谱传感器等物联网设备容易受到伪造攻击，这会损害数据完整性和模型准确性。尽管新的IDS结合了设备指纹并减少了冗余设备，但仍然无法检测到虚假数据并保护隐私。他们提出了一个基于联邦学习的IDS框架，利用无监督学习和基于系统调用的指纹。该框架显著提高了检测准确性并节省了CPU资源。El Houda等人[67]指出，尽管联邦学习提供了强大的隐私保护，但它仍然容易受到安全和隐私攻击。因此，他们提出了一个可解释的联邦学习框架。为了解决这些问题，该框架使用特征重要性技术来提取最重要的特征。

在车辆互联网（IoV）环境中，基于联邦学习的IDS非常普遍。随着车辆的发展，IoV技术取得了令人期待的进展，图9展示了应用于IoV的联邦学习简单架构。Safavat等人[68]对此进行了深入研究，并提出了使用插值公钥和私钥旋转（IPP-ROT）的椭圆曲线加密（ECC）算法来加密从车辆传输的数据。此外，通过将联邦学习与大量路侧单元（RSU）集成，车辆与中央服务器之间的数据传输得到了很好的保护。此外，这种数据传输方法显著降低了碰撞和延迟的风险。Liu等人[69]指出，传统的IDS容易受到网络攻击，因为基础设施由无线设备组成。尽管机器学习可以缓解这个问题，但它需要大量的计算资源，且准确性无法保证。为了解决这个问题，他们提出了联邦学习和区块链技术。这些分布式模型减少了冗余的计算资源，而区块链则用于存储和共享模型。Selamnia等人[70]也提到，基于机器学习的入侵检测系统（IDSs）无法很好地满足车辆物联网（IoV）环境中的安全需求，因为这些环境需要大量的资源。因此，他们引入了联邦学习来促进这一过程，并且不是直接共享数据，而是共享参数。他们还指出，联邦学习非常适合构建车对一切（C-V2X）网络。他们的框架在CIC-IDS2018数据集上的表现非常出色。Abdel等人[71]指出，物联网（IoT）与交通的结合创造了车辆物联网（IoV），这对智能交通系统（STS）至关重要。然而，随着大量无线设备的部署，相关数据的安全性受到了威胁，这可能导致严重的交通事故。为了解决这个问题，他们提出了一个基于联邦学习的IDS框架，并引入了上下文感知的变换网络来学习攻击的特征。此外，区块链的引入确保了边缘设备的安全性，并实现了完全分布式的模型训练，而不依赖于中央服务器的权威。

除了基于联邦学习的方法外，还探索了自主检测机制来保障车辆网络安全。Sorkhpour等人[72]提出了Auto-CIDS，这是一种专为车辆网络设计的自主入侵检测系统，可以在没有持续人类监督的情况下运行。虽然Auto-CIDS不基于联邦学习，但它展示了人们对高度动态的IoV环境中的去中心化、自适应安全解决方案的日益兴趣。这一设计原则与联邦学习的分布式特性非常吻合。尽管联邦学习通过让客户端共享梯度而不是原始数据来增强隐私保护，但它并不能消除那些可能试图从高价值目标中重建入侵检测模型的敌手带来的风险。为了缓解这一问题，他们在每一轮通信中引入了差分隐私技术，从而增加了潜在攻击者的成本和复杂性。图10展示了结合差分隐私的基于联邦学习的IDS的架构，表9提供了相关研究的比较总结。

除了基于联邦学习的方法外，还探索了自主检测机制来保障车辆网络安全。Sorkhpour等人[72]提出了Auto-CIDS，这是一种专为车辆网络设计的自主入侵检测系统，可以在没有持续人类监督的情况下运行。虽然Auto-CIDS不基于联邦学习，但它展示了人们对高度动态的IoV环境中的去中心化、自适应安全解决方案的日益兴趣。这一设计原则与联邦学习的分布式特性非常吻合。尽管联邦学习通过让客户端共享梯度而不是原始数据来增强隐私保护，但它并不能消除那些可能试图从高价值目标中重建入侵检测模型的敌手带来的风险。为了减轻这一问题，他们在每一轮通信中引入了差分隐私技术，从而增加了潜在攻击者的成本和复杂性。图10展示了结合差分隐私的基于联邦学习的入侵检测架构，表9提供了相关研究的比较总结。

**参考文献**
| 技术 | 点 | 数据集 | 性能 | 优点 | 缺点 |
|------|------|------|------|------|
| Firha等人[80] | 差分隐私；SGD；后量子密码学；向量化计算 | 边缘IIoT | 准确率达到90.40%，通信开销低 | 差分隐私参数是固定的，缺乏自适应机制，通信开销高，未考虑奖励机制 |
| Zhang等人[81] | 激励机制；自适应梯度裁剪 | FEMNIST；Fashion-MNIST；MNIST | AFLADPI的准确率优于AFLDP和AFL等基线方法 | 自适应差分隐私机制改善了效用-隐私平衡，并引入了奖励机制 | 数据集用于图像分类，与安全检测任务有所不同 |
| Liu等人[82] | 个性化局部差分隐私；分层隐私保护策略 | 在线游戏焦虑；Fashion-MNIST；CIFAR10 | 在上述数据集上的准确率分别为91.30%、90.95%和56.09% | 该算法的有效性和鲁棒性已在多种隐私保护策略下得到验证 | 未考虑模型攻击的多样性 |
| Kairouz等人[73] | 提出了一种分布式离散高斯机制，在16位安全聚合下实现与中央差分隐私相当的隐私保护 | 解决了离散化误差带来的理论和实际挑战 | Choudhury等人[74]提出了一个基于差分隐私的医疗健康数据联邦学习框架 | 通过两级隐私保护机制处理医疗数据的敏感性，包括不共享原始数据和差分隐私噪声机制 | 此外，他们强调了将差分隐私与联邦学习结合的权衡 |
| Triastcyn等人[75] | 提出了贝叶斯差分隐私（BDP）框架，该框架结合了数据分布的先验知识来细化隐私保障，并实现了比传统差分隐私更严格的界限 | 在相同的隐私约束下提高模型效用 | Truex等人[76]提出了局部差分隐私（LDP）联邦学习框架，支持高维梯度扰动，解决了传统LDP不适用于连续梯度的问题，同时具有低通信成本 | 这为资源受限的边缘设备提供了良好的解决方案 |
| Zhao等人[77] | 提出了混合LDP机制，用于IoV | 结合了三种输出和次优机制（PM-SUB）来优化隐私-效用权衡，并利用无线通道的叠加特性来增强隐私 | Hu等人[78]提出了个性化联邦学习框架，通过多任务学习平衡用户个性化模型与隐私保护 | 他们还设计了一个分布式时刻会计器来分析端到端的隐私泄露，并支持异构设备的动态加入或退出 |
| Seif等人[79] | 利用无线通道的叠加特性实现隐私增强 | 提出了一种强大的分配优化方案，联合优化了频道增益和噪声注入，最大化了收敛率 |

**5.4. 基于联邦学习的IDSs的鲁棒性优化方案**
联邦学习基础上的IDSs的鲁棒性包括两个不同的维度。第一个维度是检测鲁棒性——IDS模型在多样化和不断变化的攻击模式下可靠识别网络入侵的能力。第二个同样关键的维度是训练鲁棒性——即联邦学习训练过程本身对抗试图通过投毒、后门注入或Sybil攻击破坏全局模型的敌手的能力。与第5.3节讨论的隐私保护机制不同，这些鲁棒性机制针对的是故意违反联邦学习协议的恶意参与者。图11展示了联邦学习架构中鲁棒性的重要性。

**5.4.1. 防御投毒、后门和Sybil攻击**
在模型层威胁中，投毒攻击是对基于联邦学习的IDSs最严峻的挑战之一。在数据投毒中，敌手将错误标记或操纵的样本注入到本地训练数据集中，导致本地训练的模型学习到错误的决策边界，从而影响全局模型的准确性。模型投毒是一种更为激进的变体，其中攻击者直接操纵梯度更新——缩放、符号翻转或伪造梯度——以在尽可能少的受损客户端的情况下最大化全局模型的破坏。在后门攻击中，攻击者在本地训练期间嵌入隐藏的触发器（例如特定的字节序列或数据包时序模式），可以使全局IDS模型系统性地将携带触发模式的恶意流量误分类为良性流量，同时保持对干净样本的正常检测准确性。这有效地创建了一个敌手可以随意利用的“盲点”。Sybil攻击中，单个恶意实体控制多个虚假客户端身份，在聚合过程中通过数量优势放大被污染更新的影响。

为了应对这些威胁，已经提出了几种防御策略。鲁棒聚合算法用对异常值具有抵抗力的统计操作（如坐标 median、修剪均值或Krum）替换了标准的FedAvg，这些操作基于几何接近性而不是简单平均。Cao等人[83]提出了FLTrust，利用服务器持有的小型、干净的根数据集来计算客户端和服务器更新之间的余弦相似度作为信任分数，即使在大多数客户端被破坏的情况下也能有效中和拜占庭式更新。Li等人[84]通过实证表明，数据异质性显著降低了现有拜占庭式鲁棒聚合方案的有效性，并提出了Clipped_Clustering方法来解决这一限制。Ma等人[85]引入了动态客户端匹配和恶意模型过滤策略，结合基于聚类的检测和统计聚合来识别和排除被后门入侵的更新。Saleem等人[86]采用了LSTM网络来捕捉网络流量的时间特征，从而增强了对时间敏感攻击（如端口扫描和SQL注入）的检测鲁棒性。Yazdinejad等人[87]提出了一个鲁棒的隐私保护联邦学习模型，其中集成了内部审计器来评估加密后的梯度相似性。通过使用高斯混合模型和马氏距离进行拜占庭式容忍聚合，他们的方法在同态加密下有效区分了良性梯度与恶意梯度。这对于必须同时保证隐私和对模型投毒的鲁棒性的IoT环境尤为重要。

除了算法级别的防御外，架构方法也提供了补充保护。

**5.4.2. 基于区块链的架构防御措施来增强鲁棒性**
由于区块链技术的可追踪性和不可篡改性，它已成为增强联邦学习鲁棒性的强大架构解决方案。区块链具有处理分布式任务的能力，为去中心化系统提供了可靠、灵活和高效的解决方案[67][88]。此外，区块链非常适合增强基于联邦学习的IDSs。它安全地存储和共享模型参数（或模型本身），从而确保了训练过程的完整性和可追踪性。这一安全基础反过来促进了分布式参与者之间的信任和合作[50][69][71][89]。传统的联邦学习框架主要基于客户端-服务器模型，涉及中央服务器和分布式节点。通过用去中心化和不可变的账本来替换中央服务器，区块链技术改变了这一结构。在这种框架下，边缘设备直接从区块链获取梯度更新，从而增强了系统的安全性和可信度。图12展示了使用区块链的基于联邦学习的IDSs的结构。表10总结了典型的区块链研究论文的比较。

**参考文献**
| 技术 | 点 | 数据集 | 性能 | 优点 | 缺点 |
|------|------|------|------|------|
| Abdullah等人[100] | 区块链；深度迁移学习 | 边缘IIoT | 准确率为95.11%，精确度为87.73% | 使用SCSA和BWOA优化特征和模型参数，从而提高检测性能 | 该方案在真实的IIoT场景中得到了验证，并具有实际价值 |
| Shafin等人[101] | ECC；权益证明；拜占庭容错 | 自生成的平均TPS为1013.22，延迟稳定在155–90 ms | 成功平衡了区块链在安全性、可扩展性和去中心化方面的三个难题 | 该系统具有高复杂性，难以实施和维护，实验环境不符合实际情况 |
| Koe等人[102] | 环形签名；可追踪环形签名；多层加密 | 在匿名性和抗攻击能力方面表现出良好性能 | 在基于 gatewway 的IoT区块链中实现发送者匿名，并整合了多种隐私保护技术 | 具有高性能开销，未能提供实际的性能数据，并依赖于社会关系 |
| Li等人[90] | 提出了基于区块链的联邦学习框架，用委员会共识（BFLC）替换了中央服务器 | 使用区块链存储全局模型和本地更新，仅有少数委员会成员验证更新，减少了计算开销和恶意攻击，提高了模型的效率和鲁棒性 |
| Zhang等人[91] | 设计了一个基于区块链的联邦学习系统，用于工业物联网（IIoT）设备的故障检测 | 结合了区块链锚定协议和智能合约奖励机制，提高了模型准确性和参与度 | Kim等人[92]提出了BlockFL架构，使用区块链实现异步联邦学习，消除了中央服务器的单一故障点 | 在这一框架中，设备首先利用移动边缘计算训练本地模型，然后将模型更新存储在区块链上。随后选举领导者，并执行基于权益证明（PoS）共识和可验证随机函数（VRF）的机制来验证这些更新 | 这一设计在效率和安全性之间取得了平衡 |
| Zhao等人[93] | 结合了区块链、差分隐私和移动边缘计算（MEC）来保护IoT设备的数据隐私 | 区块链记录模型更新并提供声誉激励 | 实验证明在MNIST数据集上具有高准确率和低延迟 |这种方法通过将大型模型存储在星际文件系统（IPFS）上来解决特征泄露问题，并通过声誉机制抑制恶意更新。Ma等人[85]提出了使用聚类、过滤和统计聚合来防御后门攻击。引入动态客户端匹配策略和恶意模型过滤主要是为了检测恶意客户端。Putal等人[94]借助区块链增强了系统架构的鲁棒性。他们为每个客户端提供唯一的身份，并使用区块链共识机制来提供轻量级且安全的交易验证。Saleem等人[86]专注于小样本场景下的时间序列建模。他们采用了长短期记忆（LSTM）网络来捕获网络流量的时间特征，从而提高了对扫描和注入等时间相关攻击的检测鲁棒性。Li等人[84]实证揭示了现有拜占庭式鲁棒聚合方案在非独立同分布（Non-IID）数据下的局限性，并提出了一个Cliped_Clustering方案来提高鲁棒性。然而，实验表明，数据异质性是目前防御策略面临的主要挑战。Cao等人[83]提出了FLTrust，该方案利用服务器的小型、干净的根数据集来指导信任。它通过计算客户端和服务器更新之间的余弦相似度作为信任分数，并对更新进行标准化以减轻拜占庭式攻击。实验表明，即使大多数客户端是恶意的，FLTrust也能保持模型准确性，为高度对抗性环境提供了新的见解。

5.5. 优化通信和模型效率的方案

模型的轻量级特性以及通信的开销一直是联邦学习中的挑战。尽管与其他架构相比，联邦学习在这方面具有出色的控制能力，但许多模型仍然难以在资源更为有限的设备上部署。Khoa等人[103]指出，迁移学习使得没有标记数据的目标可以从在大量标记数据上预训练的网络中快速获取知识。同样，参考文献[104]、[105]、[106]提倡使用迁移学习来快速训练新模型。Saha等人[107]提出了联邦迁移学习（FTL），作为水平/垂直联邦学习的扩展，以解决特征空间和样本空间重叠较低的情景，其动态梯度聚合解决了客户端数据质量差异的问题。Chen等人[108]指出，可穿戴医疗设备面临数据孤岛问题，而基于云的统一模型缺乏个性化。因此，他们引入了通过云中的联邦学习聚合来自多个机构的数据，并在本地微调全局模型以生成个性化模型。Kan等人[109]发现自动语音识别（ASR）模型需要大量的用户数据，但语音数据具有隐私敏感性，传统的联邦学习通信成本高昂。他们提出在预训练的符合器模型中插入一个轻量级适配器，并引入迁移学习作为“插件”，以实现高效的跨域（口音/方言）迁移，避免全局模型重新训练。Wang等人[110]指出，在评估异构建筑中暖通空调（HVAC）系统的控制能力时，数据不足且具有隐私敏感性。为此，他们引入了分类联邦学习和跨类型迁移学习来传输模型知识，以解决数据不足的问题。Sharma等人[111]将SPDZ协议引入FTL。在垂直联邦情景中，源域（标签丰富）与目标域（标签稀缺）通过共享隐藏层表示来协作训练预测模型。这通过使用少量重叠样本来实现跨域知识迁移，解决了数据岛屿之间特征/样本空间不重叠的问题。Liu等人[112]提出的FTL框架通过将共享编码器与本地预测器解耦来实现跨域知识迁移，使用源域将知识传输到目标域，并支持小样本/弱监督场景。其秘密共享方案相比同态加密减少了86%的通信开销，同时保持了准确性。Yu等人[113]将模型分为共享编码器和本地预测器。他们利用迁移学习来处理非独立同分布（Non-IID）数据，从而减轻了边缘设备间异质性导致的性能不稳定性。

虽然前面的小节讨论了各个优化策略，但为了进行物联网（IoT）部署决策，全面了解它们的资源消耗概况是必不可少的。表11提供了本节调查的主要联邦学习优化类别的高层次比较。它涵盖了四个关键的操作指标：收敛所需的通信轮次、每轮通信的数据量、模型参数数量和相对能耗。这些指标对IoT环境至关重要。在这种设置中，设备在严格的带宽、电池和计算约束下运行。显示的值是从代表性研究中得出的指示性范围。实际数字取决于具体的模型架构、数据集特征和硬件配置。

表11. 基于IoT的入侵检测系统（IDSs）的联邦学习优化策略的资源消耗比较

优化策略 | 收敛所需的通信轮次 | 每轮通信的数据量 | 模型大小（参数） | 相对能耗
---- | -------------- | ------------------ | -------------------- | -------------------
标准联邦学习（基线）[4] | 100–300 | 中等 | 10K–1M | 中等
近端正则化（FedProx和SCAFFOLD）[95], [96] | 80–200 | 中等 | 10K–1M | 中等–高 | 在增加近端/控制变量的本地计算成本的情况下，具有更好的Non-IID容忍性
梯度压缩（CE-FedAvg和稀疏化）[47], [97] | 150–400 | 低（压缩后） | 10K–1M | 低 | 降低通信数据量，但在激进压缩下可能需要更多轮次；准确性可能会损失
知识蒸馏（FedKD和FedMD）[98], [99] | 50–150 | 非常低（仅对数概率值） | 轻量级学生模型 | 最小化通信；依赖于共享公共数据集的可用性
迁移学习（FTL和基于适配器的）[109], [112] | 20–80 | 低（适配器参数） | 小型适配器+冻结的 Backbone | 快速收敛，依赖预训练模型；跨域泛化取决于源域-目标域的相似性
客户端选择（RBCS-F, PoC和PyramidFL）[41], [43], [45] | 60–200 | 中等（选择性） | 每轮参与的客户端较少可以节省通信，但可能会引入选择偏差；必须明确管理公平性

6. 实验分析和数据集评估

在本节中，我们分析了IoT环境中的经典数据集。此外，我们还设计了一个简单的实验并进行了充分的分析。

6.1. 数据集比较分析

本小节对这些与IoT环境相关的数据集进行了全面分析。它分析了它们各自的优点和缺点，并详细描述了它们的结构特征，包括特征数量。这一概述旨在提供对这些数据集的清晰理解，同时在表12中总结了优点和缺点的比较。

- ToN_IoT：ToN_IoT数据集由新南威尔士大学发布，包含了用于工业物联网（IIoT）和物联网（IoT）的新一代网络安全数据。该数据集旨在评估机器学习和深度学习模型在三个领域的性能和鲁棒性：入侵检测系统（IDSs）、威胁情报和数字取证。
- CICIDS 2017：该数据集由加拿大新不伦瑞克大学的网络安全研究所发布。它提供了一个高质量的IDSs基准，并结合了真实的背景流量和多样化的场景。开发的B-Profile系统通过在自然背景流量中注入攻击来模拟大约25个普通网络用户的行为。该数据集的特征如时间、字节计数、数据包率等超过80个。
- DS2OS流量追踪：DS2OS流量追踪是一个公开可用的数据集，用于IoT和智能环境中的异常检测。其关键特点是它捕获了模拟IoT设备之间的应用层服务交互，而不仅仅是低级网络数据。这为分析提供了丰富的语义上下文。一个主要优势是其精确的标记；每个事件被标记为“正常”或特定类型的攻击。这使其成为训练和评估IoT安全研究中的机器学习模型的优秀基准。
- CASAS智能家居：CASAS（自适应系统高级研究中心）智能家居数据集是来自装有传感器的真实家庭的数据集合，用于活动识别和行为分析的研究。它记录了生活空间中安装的运动、门、温度等传感器的带时间戳的事件。此外，它捕捉了家庭环境中实际人类行为的复杂性和不可预测性。主要用于开发和测试自动化活动识别算法，这对于老年护理、能源效率和智能家居自动化应用至关重要。
- AI4I 2020预测性维护：AI4I 2020预测性维护数据集是一个合成数据集，用于模拟工业机械的预测性维护数据。数据是通过模拟液压系统生成的，但它真实反映了现实世界的工业过程。它包括正常操作和几种不同故障模式的记录。它作为开发和测试机器学习模型的标准基准，特别是用于多类分类任务，以预测即将发生的机器故障类型。

表12. IoT环境中网络攻击数据集的比较

| 数据集 | 优点 | 缺点 | 特征数量 |
|----|----|------|
| ToN_IoT (UNSW-IoT20) [114] | 多源异构数据，基于真实的网络环境，高度可复制。| 子数据集的特征描述不统一，需要大量的预处理和特征对齐。 |
| CICIDS 2017 (Sharafaldin等, 2018) [115] | B-Profile系统模拟用户电子邮件行为，具有接近真实生产网络的自然背景流量。| 样本不平衡：不同攻击在持续时间和流量量上有显著差异。 |
| DS2OS流量追踪 (丹麦技术大学, 2018) [116] | 模拟智能家居的情况，具有明确的行为分类和丰富的攻击类型。| 数据规模相对较小，数据并不完全符合现实。时间序列的利用不足。 |
| CASAS (阿鲁巴) 智能家居 (华盛顿州立大学, 2000-现在) [117] | 它记录了真实住宅中运动、温度、门和窗户开启等传感器的部署，非常丰富和真实，具有多种房间类型和场景。| 数据不是表格形式的，需要大量的预处理。特征维度不稳定，数据稀疏且不平衡。 |
| AI4I 2020预测性维护 (Stephan Matzka等, 2020) | 在工业领域，它模拟了具有物理意义的液压系统的传感器数据。数据干净清晰，适合初学者使用。| 使用模拟数据过于干净，故障模式简单，在面对真实环境时有限。 |

6.2. 实验分析

前述的数据集比较揭示了基于联邦学习的IDS设计的一个关键见解：并非所有数据集在评估联邦学习特定挑战时都同等具有信息量。如CICIDS 2017这样的数据集非常适合测试检测不同网络入侵的准确性。这对应于我们威胁模型中确定的第一个安全层（第4节）。它们丰富的特征空间和现实的多攻击场景使它们非常适合这一目的。相反，具有内在非独立同分布（Non-IID）特征的数据集对于评估联邦学习策略如何应对数据异质性至关重要。例如CASAS智能家居（具有多居民、多房间的变异性）和UCI HAR（具有依赖受试者的活动模式）。这些数据集直接解决了第5.2节讨论的优化问题。本小节提出了一个实验分析，直接量化了非独立同分布（Non-IID）数据与独立同分布（IID）数据对模型性能的影响。因此，它为表8中提供的策略选择指导提供了实证依据。该研究集中在两个真实世界数据集MNIST和CIFAR10上，这两个数据集表现出明显不同的数据分布。MNIST具有更多的独立同分布（IID）特性，而CIFAR10则呈现更多的非独立同分布（Non-IID）结构。因此，在MNIST上训练的模型通常收敛得更快，并且与在CIFAR10上训练的模型相比，具有更低的计算成本和更高的准确性。

为了系统地研究这些效应，我们进行了一项实验，直接检查了非独立同分布数据的影响，利用MNIST和CIFAR10之间的固有分布差异来隔离和观察其对模型收敛性和准确性的影响。这项实验在一致的基准下进行，以便公平比较。模型使用交叉熵损失函数进行优化，训练期间计算运行损失，并在每个时期上平均以获得平均时期损失。准确性是通过将正确预测的数量与训练样本总数之比来确定的。

损失 = -1/N * Σ_{i=1}^{N} C_{i} ∑_{c=1}^{N} y_{i,c} log(p_{i,c)
平均损失 = 1/M * Σ_{j=1}^{N} 准确率 = TP/(TP+TN)
召回率 = TP/(TP+FN)
F1分数 = 2 * 准确率 / (TP+FP+FN)

在这个实验中，为了确定模型训练中的非独立同分布数据，我们设计了一个简单的CNN网络（即具有2个卷积层和3个全连接层的CNN）。图像数据已经被标准化到[0,1]之间。在模拟过程中，学习率γ = 0.001，训练时期E = 10，批量大小B = 32。比较的结果总结在图13中。如图所示，训练数据中的显著差异导致最优聚合结果不够集中，从而降低了模型准确性。无论采用联邦学习还是差分隐私技术，非独立同分布（Non-IID）数据的影响都非常大。此外，由于联邦学习资源有限以及其固有的模型漂移问题，在相同条件下，联邦学习的效果甚至比深度学习更差。下载：下载高分辨率图像（194KB）下载：下载全尺寸图像图13. 非独立同分布数据对入侵检测系统的潜在影响。这些实验发现加强了本调查中讨论的几个设计要点。首先，它们从实证上验证了为什么单独使用FedAvg在严重非独立同分布场景下是不够的。在CIFAR10数据集中观察到的局部更新方向的分歧直接对应于第5.2节分析的模型漂移现象。这促使人们采用 proximal-regularized 变体（例如FedProx）或个性化策略（例如PerFit），如表8所总结的。其次，在非独立同分布条件下的准确性下降强调了半监督和基于聚类的方法的重要性。这些方法利用未标记数据或客户端分组来减轻分布偏差。在物联网（IoT）环境中，这些方法至关重要，因为标记的攻击数据本身就非常稀少且分布在各个设备上不均匀。最后，这些结果突显了数据集选择的重要性。仅基于独立同分布（IID）基准（如MNIST）进行的评估可能会高估联邦学习在实际IoT部署中的性能，而在实际情况中，非独立同分布数据是常态而非例外。这一点与表12中的数据集分析直接相关，我们在表中指出CASAS、DS2OS和UCI HAR更能代表现实世界物联网数据的异质性。因此，在处理IoT环境中的非独立同分布数据时，联邦学习面临的问题比其他情况更为复杂。

7. 挑战与未来方向
在本节中，我们讨论了基于联邦学习的入侵检测系统（IDS）所面临的紧迫挑战，并概述了潜在的未来发展方向。
7.1. 当前挑战
- 非独立同分布数据问题仍然是一个重大挑战。全局模型通常具有较差的泛化能力，无法有效检测特定客户端上的局部威胁。尽管半监督学习有助于缓解这一问题，但它也会消耗大量资源。
- 数据隐私是另一个关键问题。联邦学习框架通过设计实现了隐私保护，因为它仅传输梯度或参数而不是原始数据；然而，这些参数仍可能被用来重建敏感信息。尽管差分隐私提供了一种可行的解决方案，但它引入的噪声会对模型准确性和通信效率产生负面影响。在车联网（IoV）场景中，车载系统的高计算能力允许部署加密算法来保护敏感数据。然而，加密会消耗额外的资源，并可能降低通信速度，这在车辆环境中至关重要。
- 针对联邦学习训练过程的模型层攻击在IDS文献中尚未得到充分研究。数据投毒攻击会注入错误标记的样本以破坏局部训练。模型投毒攻击直接操纵梯度更新，这两种攻击都会严重降低检测准确性。后门攻击构成了一种特别隐蔽的威胁。通过在本地训练期间在网络流量中嵌入隐藏触发器（如特定的字节模式），攻击者可以在全局IDS模型中制造故意的盲点，从而在保持对良性样本正常准确性的同时系统性错误分类恶意流量。Sybil攻击进一步加剧了这些风险：单个对手可以控制多个伪造的客户端身份，在聚合过程中放大恶意影响。现有的拜占庭鲁棒聚合方案（例如Krum、修剪均值和FLTrust）在受控条件下显示出有效性。然而，在数据高度异质的情况下，它们的性能会显著下降，而这正是IoT环境中最常见的情况。
- 针对联邦学习的对抗性攻击的认证防御仍然是一个开放的挑战。差分隐私和安全聚合可以防止诚实的但好奇的对手，但它们对主动恶意的客户端提供的保障有限。最近关于联邦学习认证鲁棒性的工作已经开始解决这一差距。例如随机平滑和聚合操作符的形式化验证。然而，这些技术尚未适应基于IoT的IDS的独特约束，如有限的计算预算和严格的延迟要求。

7.2. 未来研究方向
（1）核心算法的优化和创新：
- 高效且轻量级的模型：鉴于IoT设备资源非常有限，因此需要一个高效且足够轻量级的模型。这可以节省大量硬件成本并实现高效训练。
- 先进的聚合算法：更优越的聚合算法可以加速全局模型的收敛，并更有效地利用客户端更新，使模型能够更好地适应异构数据环境。
- 处理非独立同分布数据：不同IoT设备产生的数据差异很大，这是影响联邦学习性能的最重要问题之一。克服数据异质性可以确保在复杂的IoT数据环境中获得高模型准确性。

（2）安全性和隐私性的深化：
- 加强隐私保护技术：将差分隐私和更和谐的同态加密技术与联邦学习结合，使攻击者更难以推断原始数据。
- 防范数据投毒和后门攻击：攻击者可能会传递恶意数据来污染模型训练。需要更加健壮和抗干扰的聚合机制，以确保即使某些节点被劫持，全局模型也能正确聚合。未来的工作应探索在正式威胁模型下提供可证明鲁棒性的认证防御，以及基于异常检测的方法，以便在聚合前识别和排除恶意更新。
- 抗Sybil攻击的联邦身份管理：由于Sybil攻击可以通过控制多个伪造身份来放大投毒更新的影响，因此需要针对资源受限的IoT设备设计轻量而安全的身份验证机制。基于区块链的去中心化身份框架和声誉系统为缓解Sybil威胁提供了有希望的方向，无需依赖可信的中心权威机构。
- 跨层安全协调：本调查指出了网络入侵威胁和模型层威胁之间的根本区别。未来的IDS框架应将在这两个层上运行的检测模块集成到一个统一的架构中。这使得响应更加协调：检测到的模型层攻击会触发对网络流量的加强审查，反之亦然。

（3）应用场景和任务的扩展：
- 异步联邦学习：引入异步联邦学习使模型聚合更加动态，并有效处理某些设备落后的问题。
- 分层和混合架构：建立分层联邦学习架构，将复杂任务分配到不同层次，然后进行全局协调，从而优化更大规模的IoT网络。

（4）架构和效率的改进：
- 跨域和跨平台协作检测：使来自不同制造商的产品能够进行联合学习，打破数据孤岛，同时为防御系统的扩展提供空间。
- 从检测到预测和响应：联邦学习不应仅限于被动防御。当检测到潜在威胁时，它应该具有自动响应的能力。这样可以构建一个被动-主动和自适应的防御系统。此外，正如Yazdinejad等人[119]在IoT环境中探索的那样，将认知和生理同步集成到安全运营中心中，代表了以人为中心的自适应网络安全的有望方向。这种方法与自主、上下文感知的防御系统的更广泛愿景相一致，这些防御系统补充了基于联邦学习的检测。
- 零日攻击检测：联邦学习应积极结合监督学习和半监督学习来训练其应对未知标签数据的能力，以便在面对零日攻击时也具有一定抵抗力。此外，Arisdakessian等人[5]提出的基于联邦学习的IDS框架，并结合可解释AI，使模型的决策过程更加透明，并为下一步开发提供明确的方向。引入博弈论和社会心理学使得IDS能够更深入地关注攻击者的思维，而不仅仅是进行防御。

8. 结论
网络入侵日益普遍，威胁着系统和日常生活。联邦学习正成为IoT环境中入侵检测的关键方法，本调查全面探讨了其作用。本文对应用于IoT安全的基于联邦学习的IDS进行了全面调研。首先，我们回顾了机器学习和深度学习在IDS方面的贡献和局限性。随后，我们介绍了IoT架构及其特性作为联邦学习的背景。在此基础上，我们定义了一个系统化的威胁模型，明确区分了网络入侵威胁（IDS检测的目标）和模型层攻击（针对联邦学习训练过程的威胁，如数据投毒、后门攻击和Sybil攻击）。然后我们对IoT环境中常见的攻击进行了分类。我们进一步全面讨论了在IDS中应用和优化联邦学习的方法，重点关注关键挑战，包括资源异质性、非独立同分布数据、隐私性、鲁棒性、模型性能和通信效率。此外，我们提出了适合IoT环境的数据集分析，并设计了一项实验研究来说明非独立同分布数据的影响。最后，我们指出了关键的开放挑战，特别是IDS文献中对联邦学习的对抗性攻击覆盖不足的问题。我们还提出了未来研究方向，以提供进一步发展的思路。总之，本调查旨在提供对当前联邦学习在IDS方面研究的清晰理解。它强调了持续技术创新在改善对抗网络攻击防御方面的潜力。我们强调，未来的基于联邦学习的IDS必须考虑到两个一级要求：对外部威胁的检测准确性和对内部模型层对手的固有鲁棒性。

Fu Xingbing | Li Jianzhi | Zhong Hua | Wang Dong | Chen Wei | Li Fagen