迈向鲁棒且隐私保护的联邦学习:面向边缘工业互联网的SMPC增强防御与优化
《Internet of Things》:Towards Robust and Privacy-Preserving Federated Learning: SMPC-Enhanced Defense and Optimization for Edge-IIoTset
【字体:
大
中
小
】
时间:2026年08月29日
来源:Internet of Things 7.1
编辑推荐:
摘要
工业物联网(IIoT)的快速发展通过互联的边缘设备推动了智能工厂的发展,但同时也使工业系统暴露于网络安全漏洞之中,包括分布式拒绝服务(DDoS)攻击、侦察、中间人(MitM)入侵、注入攻击以及恶意软件传播。深度学习(DL)技术在IIoT威胁检测方面展现出潜力,但其依赖
摘要
工业物联网(IIoT)的快速发展通过互联的边缘设备推动了智能工厂的发展,但同时也使工业系统暴露于网络安全漏洞之中,包括分布式拒绝服务(DDoS)攻击、侦察、中间人(MitM)入侵、注入攻击以及恶意软件传播。深度学习(DL)技术在IIoT威胁检测方面展现出潜力,但其依赖于大规模标注数据,而这些数据往往分散在不同工厂之间并受隐私约束保护。联邦学习(FL)通过在分布式数据源之间实现协作模型训练,提供了一种隐私保护的替代方案。然而,标准FL在IIoT场景下面临重大挑战,包括非IID数据分布、易受恶意更新影响以及缺乏可验证的模型完整性。本文提出了一种面向IIoT智能工厂的安全且鲁棒的FL框架。所提方法集成了:(i)行为验证机制,用于识别并排除不可靠的客户端;(ii)安全多方计算(SMPC),用于实现隐私保护且防篡改的聚合;以及(iii)基于哈希的模型认证步骤,使客户端能够在采纳前验证所接收全局模型的完整性。据我们所知,这是首个在统一的IIoT专用流程中同时解决隐私保护、对抗鲁棒性和模型可验证性的FL框架。主要贡献在于这种协同设计——将这三个安全维度协调地集成到单一连贯的流程中——而非新的独立算法。在Edge-IIoTset数据集上针对IID和非IID条件的综合实验表明,该框架在准确性、鲁棒性和安全性方面具有优越表现,使其成为真实工业部署的可行方案。
引言
工业物联网(IIoT)通过配备智能传感器、执行器和边缘计算设备的智能工厂,彻底革新了制造业[1]。这些组件实现了实时数据采集、自主决策和远程控制。然而,IIoT系统日益增长的互联性引入了关键网络安全漏洞[2],包括分布式拒绝服务(DDoS)攻击[3]、侦察[4]、中间人(MitM)入侵[5]、注入攻击[6]以及恶意软件传播[7]。这些威胁危及工业控制系统的可用性、完整性和安全性,可能导致生产停机和重大经济损失。
为应对此类风险,深度学习(DL)技术凭借其卓越的模式识别和异常检测能力,在IIoT安全应用中逐渐获得重视[8]。然而,训练高性能DL模型通常需要大规模、多样化且标注的数据集[9]。在IIoT场景中,此类数据本质上是去中心化的,存储于多个工厂地点,并受严格的隐私政策和法规约束管辖。因此,直接数据集中通常不可行。
联邦学习(FL)作为一种有吸引力的解决方案应运而生,它能够在保留数据本地性的同时,实现跨数据孤岛中的协作模型训练[10]。在FL中,每个边缘服务器在私有数据上进行本地训练,并仅与中央服务器共享模型参数或梯度以进行聚合。尽管具有隐私感知的设计,但FL在真实世界IIoT环境中面临关键挑战[11]:(i)客户端间的数据异质性降低了收敛性和泛化能力;(ii)恶意客户端可能注入中毒更新;以及(iii)中央聚合过程可能易受篡改或模型泄露影响。
本工作考虑FL在实际IIoT环境中的部署挑战,将其建模为一个由地理上分布在不同工业区的智能工厂组成的网络(见图1)。每个工厂拥有多样化的IIoT设备——如可编程逻辑控制器(PLC)、传感器和计量仪——持续生成操作和环境数据。由于这些设备固有的资源约束,本地DL训练任务被分配给就地部署的边缘服务器。
一个关键挑战源自本地数据集的固有异质性,这是由各工厂间设备、工作流程和攻击面差异造成的。这导致非独立同分布(non-IID)数据,使得FL中的模型收敛和泛化变得复杂。为缓解这一问题,边缘服务器通过交换模型更新而非原始数据来协作训练全局模型,从而保留数据隐私。模型参数在每个训练轮次后在中央进行聚合,并重新分发用于后续迭代。
关于威胁模型,我们假设服务器是诚实但好奇的:服务器忠实地执行规定的FL协议(诚实),但可能尝试从接收到的更新中推断敏感的客户端信息(好奇)。在客户端侧,我们考虑恶意和好奇攻击者的存在,他们可能提交中毒模型更新并试图获取关于其他客户端或全局模型的信息。
为应对这些挑战,我们的框架集成了受SMPC启发的基于种子的加性掩码,保护原始客户端数据免遭中心化,并在传输过程中保护模型更新免遭外部窃听者。当前仿真的精确服务器端隐私边界在5.2节中讨论。同时,恶意客户端通过严格的行为评估机制在每个训练轮次中动态检测并排除,确保对模型投毒攻击的鲁棒性。
此外,该框架承认标准FL固有的关键漏洞:
•模型投毒风险:若无有效验证,恶意客户端可通过提交中毒更新(例如通过标签翻转或后门)来降低全局模型性能。我们的动态客户端评估机制通过过滤异常更新来缓解此威胁。
•聚合漏洞:集中式聚合是一个潜在的攻击向量,诚实但好奇的服务器可能试图重建客户端数据。采用基于种子的加性掩码通过遮蔽更新以免遭外部窃听者窥视并完全隐藏未选中客户端的贡献来缓解此风险。当前仿真的精确服务器端隐私边界在5.2节中讨论。
•不可验证的模型分发:聚合后的全局模型重新分发缺乏面向客户端的密码学保证。我们的框架通过在每次广播中附加聚合模型参数的密码学哈希来缓解此问题,使客户端能够检查所接收的权重是否与提交的摘要匹配且在传输中未被篡改。
此威胁模型和所提缓解措施构成了我们框架的基础,该框架追求三个核心设计目标:(i)通过对抗客户端和更新投毒的安全性和鲁棒性,通过基于验证的过滤机制和基于SMPC的聚合;(ii)隐私保护,确保原始数据从不集中且模型更新在传输过程中免遭外部窃听者;当前仿真的服务器端隐私边界在5.2节中讨论;以及(iii)模型可验证性,通过基于完整性的验证方案使客户端能够在采纳前认证所接收的全局模型。
本工作提出了一种专门为IIoT智能工厂设计的安全、鲁棒且隐私保护的FL框架。受上述识别的标准FL三个关键漏洞——聚合篡改、恶意客户端更新和数据异质性——的驱动,我们的关键贡献如下:
•集成SMPC增强的FL框架:我们提出了一种新颖的跨孤岛FL架构,在统一流程中共同集成基于SMPC的聚合、行为客户端验证和预热non-IID缓解。这种协同设计是首次在IIoT FL中同时解决隐私、鲁棒性和可验证性,且无需客户端信任或数据集中。
•动态行为验证与预热non-IID缓解:我们开发了一种逐轮客户端评估协议,使用动态生成的共享验证集来检测和排除对抗性或不可靠的参与者。作为补充,一种预热分区策略在早期训练轮次中注入受控的全局数据缓冲区,缓解客户端漂移并将非IID条件下的全局准确率从73.77%提高到91.02%。
•隐私保护的带模型认证的聚合:我们实现了一种使用基于种子的加性噪声掩码的高效聚合方案,保护客户端更新免遭外部窃听者并隐藏未选中客户端的贡献。当前仿真的服务器端隐私边界及其向生产级SMPC的路径在5.2节中讨论。服务器在每次广播中附加聚合模型的密码学哈希摘要,使客户端能够在采纳前验证所接收全局模型的完整性。
•在Edge-IIoTset上的综合评估:我们在IID和非IID条件、对抗性标签翻转攻击以及不同客户端数量下,在Edge-IIoTset——规范的大规模IIoT网络安全基准——上进行了广泛实验。ResNet50-CNN1D、DNN和TabNet的堆叠集成提供了严格的集中式上界,而七种不同的实验配置隔离了每个框架组件的贡献。
本文其余部分组织如下。第2节回顾相关工作。第3节详述所提框架。第4节呈现实验结果。第5节讨论关键发现和局限性。第6节总结全文。
相关段落
相关工作
在本节中,我们将现有研究分为五个子主题:(i)IIoT系统中的网络安全挑战及基于DL的检测方法,(ii)专为IIoT定制的FL框架,(iii)解决FL中数据异质性的方法,(iv)针对恶意客户端的鲁棒聚合方案,以及(v)安全和可验证的聚合协议。表1总结了关键代表性工作及其核心特征。
所提框架
本节介绍所提的增强SMPC的FL框架。我们首先概述整体系统架构,以提供对通信和计算流的高层次理解。随后,我们描述完整框架,详述如何通过SMPC的集成来实现隐私、效率和鲁棒性。然后我们深入探讨框架的每个核心组件,包括客户端操作、安全聚合机制和模型更新策略。
实验与评估
本节提出对所提FL框架的全面实验评估,该框架专为IIoT智能工厂环境而设计。目标是评估我们系统在各种数据分布场景和对抗条件下的有效性、鲁棒性和可扩展性,特别关注SMPC用于隐私保护模型聚合的集成。
框架的所有组件均使用Python实现,利用了广泛使用的开源库。
讨论
本文提出了一种专为IIoT环境定制的安全且鲁棒的FL框架,解决了与数据隐私、异质性和对抗韧性相关的关键挑战。通过将基于种子的加性掩码嵌入聚合阶段,该框架保护客户端更新在传输过程中免遭外部窃听者窥视,并完全屏蔽未选中客户端对服务器的贡献。正如5.2节中讨论的,当前仿真近似生产级SMPC;
结论
本研究引入了一种面向工业物联网(IIoT)环境的新型联邦学习(FL)框架,集成了安全多方计算(SMPC)以确保隐私保护的模型聚合,同时应对数据异质性和对抗鲁棒性挑战。通过在Edge-IIoTset数据集上的广泛实验,我们展示了该框架在多种场景下的有效性、可扩展性和韧性。
在集中式学习中,集成模型
生成式AI和AI辅助技术声明
在准备本工作过程中,作者使用了大型语言模型来改善语言和可读性。在使用该工具后,作者根据需要审阅和编辑了内容,并对出版内容承担全部责任。
资助
本研究由温州肯恩大学计算机科学与人工智能中心(项目编号:BM20211203000113)以及温州肯恩大学国际合作研究项目(项目编号:KY20231019000165)资助。
CRediT作者贡献声明
Omar Dib:写作——审阅与编辑,可视化,验证,监督,软件,资源,项目管理,方法论,调查研究,资助获取,概念化。Shiyun Li:写作——审阅与编辑,写作——原稿,可视化,验证,软件,方法论,调查研究,数据整理,概念化。Zhengkun Li:可视化,验证,软件,方法论,调查研究,数据整理,概念化。
利益冲突声明
作者声明他们没有已知的可能影响本论文所述工作的竞争性财务利益或个人关系。
Omar Dib | Shiyun Li | Zhengkun Li
温州肯恩大学计算机科学与技术系,浙江省温州市瓯海区大学路88号,325060,中国
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号