FedDLPD：一种高效的个性化联邦入侵检测框架，专为工业物联网（IIoT）设计，通过动态低秩参数解耦技术实现高效检测

《Future Generation Computer Systems》：FedDLPD: An efficient personalized federated intrusion detection framework for IIoT via dynamic low-rank parameter decoupling

　　摘要
联邦学习（FL）为工业物联网（IIoT）中的入侵检测提供了一种数据本地化的协作范式。然而，严重的非独立同分布（non-IID）流量、本地类别不平衡以及有限的边缘资源使得单一全局模型难以同时实现泛化、个性化和效率之间的平衡。本文提出了FedDLPD，这是一个基于动态低秩参数解耦的高效个性化联邦入侵检测框架。FedDLPD不是直接聚合原始的本地更新，而是在私有低秩适配后生成经过偏差过滤的共享侧更新。每个客户端首先使用私有低秩适配器来模拟本地流量偏差，然后在适配后的本地环境中优化共享侧变量。最终的共享侧更新作为唯一的全局模型对象上传，同时附带一个用于排名调度的标量损失统计量，而私有适配器则保持在本地。FedDLPD进一步引入了全局-群体-本地参数化机制，并明确了通信边界：全局骨干网络捕获可转移的检测知识，服务器维护的群体残差模型记录了行为相似客户之间的结构化偏差，而私有适配器保留了不可共享的本地变化。此外，还设计了一种考虑异构性的排名调度策略，以将有限的个性化能力分配给不同的客户端。在CIC-IDS2017和N-BaIoT数据集上的实验表明，FedDLPD的平均性能始终优于一般的FL、个性化FL、轻量级FL以及面向入侵检测的FL基线方法。消融分析和敏感性研究量化了主要设计组件的贡献，而客户端级别的ROC-AUC/PR-AUC和系统开销分析评估了其在异构客户端环境下的鲁棒性和效率。

引言
工业物联网（IIoT）的快速发展将传统的孤立工业控制系统转变为高度互联的赛博物理环境，加速了信息技术（IT）与运营技术（OT）的融合。虽然这种融合提高了运营效率，但也扩大了关键基础设施的攻击面，并使工业系统面临高级持续性威胁（APTs）的攻击，这些威胁具有高度隐蔽性和破坏性[1],[2]。传统的集中式入侵检测方法通常需要在云端聚合大量边缘流量以进行分析和模型训练。然而，这种集中式范式在IIoT环境中越来越难以部署，因为它们会对有限的工业带宽造成负担，并引入隐私泄露风险以及单点故障的风险[3]。
联邦学习（FL）通过允许分布式客户端在本地存储原始流量数据的同时训练入侵检测模型，提供了一种数据本地化的协作解决方案。尽管如此，直接在IIoT场景中部署FL仍然具有挑战性。首先，IIoT流量具有强烈的非独立性和非同分布（non-IID）特性，因为不同客户端可能观察到的设备行为、流量模式、攻击类别和类别分布各不相同。因此，静态的“一刀切”全局模型难以为异构客户端提供准确的本地入侵检测。其次，IIoT边缘设备通常运行在资源受限的环境中，计算、内存和通信带宽都非常有限，难以支持全规模深度神经网络的频繁传输和更新[4]。因此，设计一个能够在全局泛化、本地个性化和部署成本之间取得平衡的高效入侵检测框架仍然是一个重要的未解决课题。

个性化联邦学习（PFL）旨在通过为个别客户端学习定制模型或个性化组件来解决这些问题[5]。现有的PFL和高效FL方法通过微调、参数分区、轻量级适配或客户端分组等方法改进了异构数据下的联邦学习。然而，这些策略通常更关注接收全局模型后如何调整本地模型，而对上传回服务器的信息质量关注较少。在严重的非IID入侵流量下，本地更新可能会包含可转移的检测知识、群体级偏差和客户端特定的偏差，直接聚合这些更新可能会将局部差异传播到全局模型中，从而削弱全局泛化和本地个性化效果。
这些观察表明，面向IIoT的PFL框架不仅应提供轻量级的本地适配，还应在明确的通信边界下生成更具转移性的协作更新。因此，本文的核心问题是如何在允许行为相似的客户端共享结构化知识的同时，分离客户端特有的偏差与共享侧更新生成。为应对这些挑战，我们提出了FedDLPD，这是一个适用于异构IIoT环境的个性化联邦入侵检测框架。FedDLPD的核心思想是将联邦协作的目标从原始本地更新聚合转变为偏差过滤后的共享侧更新生成。具体来说，每个客户端首先使用私有低秩适配器来吸收本地流量偏差和表示变化，然后在适配器固定的情况下优化共享侧变量。最终的共享侧更新作为唯一的全局模型对象上传，并附带一个用于排名调度的标量损失统计量，而私有适配器仍保持在本地。这种方式可以减少客户端特定偏差对服务器端聚合的直接影响。

FedDLPD还从全局-群体-本地的角度组织模型参数：全局骨干网络存储可转移的入侵检测知识，服务器维护的群体残差记录了行为相似客户端之间的结构化偏差，而客户端私有的低秩适配器保留了不可共享的本地变化。这种设计明确了不同参数组件的所有权、优化阶段和通信边界。
FedDLPD在与固定共享-私有划分、静态低秩个性化以及传统集群FL相比时具有三个主要特点：私有适配先于共享侧更新生成，个性化能力根据客户端异构性进行调整，群体级协作表现为相对于统一全局骨干网络的残差校正。

本文的主要贡献总结如下：
• 我们提出了FedDLPD，这是一个适用于异构IIoT环境的偏差过滤个性化联邦入侵检测框架。FedDLPD通过将动态低秩适配器附加到选定层并进行优化来构建私有适配，同时冻结共享侧参数，从而在生成和上传共享侧更新之前吸收客户端特定的流量偏差。
• 我们开发了一种动态的全局-群体-本地参数解耦机制，以实现高效个性化。FedDLPD通过从行为相似客户端的群体平均共享侧更新中减去全局平均共享侧更新来构建群体残差，从而将群体级结构化偏差作为对全局骨干网络的轻量级校正，而不是作为独立的群体模型。
• 我们在CIC-IDS2017和N-BaIoT数据集上进行了全面的实验，这些数据集具有严重的非IID特性。FedDLPD在所有主要比较指标上均实现了最高的五次运行平均值，而消融分析、敏感性分析、客户端级别的ROC-AUC/PR-AUC和系统开销分析评估了其组件贡献、鲁棒性和效率。

实验评估与分析
本节评估了FedDLPD在异构IIoT环境中进行个性化联邦入侵检测的有效性、鲁棒性和效率。评估从多个互补的角度进行：首先，将FedDLPD与一般FL、个性化FL、轻量级FL以及面向入侵检测的FL基线在不同程度的非IID异构性下进行比较；其次，评估了联邦范围内的检测性能和客户端级别的个性化效果。

结论
在本文中，我们提出了FedDLPD，这是一个适用于异构IIoT环境的高效个性化联邦入侵检测框架。FedDLPD的核心思想是将联邦协作的目标从原始本地更新聚合转变为偏差过滤后的共享侧更新生成。为此，FedDLPD将有效客户端模型分解为服务器维护的全局骨干网络、服务器维护的群体残差和客户端私有的动态低秩适配器。

作者贡献声明
赵金东：撰写 – 审稿与编辑，撰写 – 原始草稿，监督，项目管理，概念化。
胡新浩：撰写 – 原始草稿，验证，软件，方法论，数据整理。
金浩远：可视化，验证，形式分析。
马世林：可视化，验证，形式分析。
山耀：撰写 – 审稿与编辑，监督，资源管理，项目管理，资金筹集。

利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文报告的工作。

致谢
本工作部分得到了山东省基于技术的小型和中型企业创新能力提升计划（Grant 2024TSGC0016）、国家自然科学基金（Grant 62572420）、山东省关键技术研究开发计划（Grant No. 2025CXPT077）以及山东省高校青年创新团队发展计划（Grant 2025KJH164）的支持。

作者信息
赵金东 | 胡新浩 | 金浩远 | 马世林 | 山耀
中国烟台大学计算机科学与控制工程学院，烟台 264005