面向农业物联网系统实时入侵检测的通信高效联邦迁移学习

《Computers and Electronics in Agriculture》：Communication-efficient Federated Transfer Learning for real-time intrusion detection in agricultural IoT systems

　　

•创新性的联邦迁移入侵检测系统（FTL-IDS）将单个数据包转换为灰度图像，实现零等待实时检测。
•仅传输分类器层权重（而非完整模型），以优化农村网络的带宽。
•仅需2个联邦轮次实现模型收敛，达到99%的高准确率。
•在真实世界的Edge-IIoT数据集和专为农业流量设计的全新"Farm-Flow"数据集上进行了验证。
•通过分布式分割训练保护隐私，复用冻结模型以实现强大的、节能的边缘安全。

引言

背景：农业仍然是人类生存的根本，提供必不可少的食物和自然资源（Naseer等，2024）。随着全球人口预计到2050年达到101亿，联合国《全球农业报告》（Ali Mekouar，2017）估计粮食产量必须增加70%以满足日益增长的需求（Rudrakar和Rughani，2023）。为应对这些挑战，农业部门越来越多地采用物联网（IoT）技术。这一转变旨在减少每年因监测不足造成的20%–40%的作物损失（Kumar等，2021）。通过实现设备的无缝连接，物联网为农民提供实时、数据驱动的洞察，改善决策制定并优化农业管理。

挑战：虽然物联网的整合提高了农业的生产力和资源管理，但也引入了关键的安全问题。土壤传感器、气象站、灌溉系统和无人机等设备日益增长的互联性显著扩大了攻击面，使农业物联网环境成为网络攻击的诱人目标（Saadouni等，2025，Saadouni等，2023）。此外，这些系统通常部署在偏远且资源受限的环境中，有限的物理监督以及过时或薄弱的安保机制进一步增加了其脆弱性。

例如，攻击者可能发动分布式拒绝服务（DDoS）攻击，以中断关键的农业服务，导致临时不可用。除中断之外，对手还可以向系统中注入伪造数据，篡改作物监测或环境参数。此类操纵可能危及食品安全，降低农业供应链效率，并通过误导自动化决策过程对农业生产力产生负面影响（Ferrag等，2021，Saadouni等，2024，Harbi等，2022）。

现有方案：缓解这些安全威胁的有效方法是在农业物联网网络中集成多类别入侵检测系统（IDS）。与依赖刚性模式匹配且难以应对复杂多向量流量的传统基于签名的IDS不同，AI驱动的多类别IDS利用机器学习通过分析实时复杂网络特征模式，准确区分正常遥测数据和多种已知攻击类别。

近期研究表明，基于机器学习（ML）和深度学习（DL）的IDS模型在检测复杂攻击模式方面具有高精度和鲁棒性，非常适合动态和异构的物联网环境。

尽管具有这些优势，传统的基于ML和DL的IDS方法仍面临若干局限性。它们需要大量标注数据集，而获取这些数据往往耗时且成本高昂，从而限制了其在现实场景中的可扩展性和适应性。此外，它们需要大量计算资源，并且由于集中式训练架构而引发数据隐私问题（Khacha等，2024a）。为应对这些挑战，联邦学习（FL）（McMahan等，2017）和迁移学习（TL）（Weiss等，2016）等新兴范式日益受到关注。联邦学习实现了跨分布式边缘设备的协作训练，而无需共享原始数据，从而保护隐私并减少通信开销。同时，迁移学习允许模型复用先前学习任务中获得的经验，减少训练时间，在数据稀缺环境中提高检测性能，并增强跨领域泛化能力。这些方法共同提供了在农业物联网系统中部署智能IDS的可扩展高效方案。

在此背景下，边缘计算发挥着关键作用，通过在数据源附近（如传感器或本地网关）处理数据来降低延迟和带宽消耗，同时支持实时决策制定，这在偏远或连接受限的环境中至关重要。从安全角度来看，边缘计算通过减少对基于云的处理的依赖来促进更快的入侵检测并增强数据隐私。总体而言，它显著提高了农业物联网系统的效率、响应性和韧性。

研究空白：智能农业的近期进展引入了功能强大的边缘设备，如NVIDIA Jetson Nano和树莓派，以及自主系统，包括DJI Agras无人机和基于群的平台（Sapna等，2026，Liu等，2024）。尽管核心IDS通常部署在边缘服务器上，但这些受电池限制的设备仍必须参与协作训练以确保数据隐私。然而，标准联邦学习由于重复的本地训练轮次和大量模型参数的传输，带来了显著的算力和通信负担，这会迅速耗尽设备电量。因此，轻量级算法策略对于降低训练复杂性和通信开销、在保持设备寿命的同时实现安全高效的协作至关重要。

以下研究问题推动本研究：能否利用最初在非网络安全领域通用图像数据集上训练的轻量级计算机视觉模型，并将其与联邦迁移学习相结合，开发一个完整的、针对农业物联网网络的实时入侵检测系统？

具体而言，我们研究将单个网络数据包转换为简单的灰度图像是否能实现这些再利用模型的高检测准确率，同时显著降低资源受限边缘设备上的通信和计算开销。

研究目标：为解决这一问题，本研究的主要目标是开发一个针对农业物联网的轻量级安全框架，该框架将联邦学习的协作、隐私保护优势与使用预训练图像模型的迁移学习效率相结合。专为边缘部署设计，其核心目的是实现对多样化农业物联网网络威胁向量的实时多类别入侵检测和分类。

此外，它通过显著减少通信开销和本地训练成本，直接缓解了连接受限和资源约束等关键农业挑战。

我们的主要贡献如下：
•提出基于联邦迁移学习的入侵检测系统，使用最初在非网络安全领域生成图像数据集上训练的轻量级预训练模型，展示其在入侵检测中的有效性。
•为Edge-IIoTset数据集建立泄露感知评估协议，按捕获段进行时间顺序划分，确保没有流量、会话或捕获周期跨越训练集和测试集；这一条件在之前的基于联邦学习的IDS研究中很少被验证，从而产生更具代表性的未观测流量部署估计。Farm-Flow数据集不允许等价划分；这作为一项局限性进行报告（第8.1节）。
•将原始网络数据包转换为灰度图像，避免复杂的多包分析，并降低计算成本。
•在边缘部署入侵检测系统，实现适合资源受限农业环境的实时低延迟入侵检测。
•减少通过网络传输的参数数量和训练轮次。
•使用两个数据集评估所提出的方案：Edge-IIoTset和一个专门针对农业物联网流量的新数据集Farm-Flow集。
•在联邦迁移学习框架中引入选择性通信和层冻结策略，将传输大小最小化至总参数的6.8%，同时确保模型稳定性。

本文其余部分组织如下：第2节对文献进行全面综述，突出入侵检测系统领域的最新进展。第3节介绍本研究中使用的数据集和所应用的预处理技术。第4节描述本研究提出的方法论。第5节概述实验设置，包括框架配置和评估指标。第6节呈现性能评估结果，报告多项指标的结果。第7节提供对最先进方法的详细分析和对比讨论。最后，第8节总结全文并概述潜在的未来研究方向。

章节摘要

文献综述

为支持我们提出的基于联邦迁移学习的入侵检测系统，我们考虑了近期关于迁移学习、联邦学习及其组合的研究。这些研究为比较提供了相关基线，并突显了我们方法的创新性。Latif等（2024）提出了一种使用迁移学习和遗传算法增强工业物联网入侵检测系统的方案。网络流量被转换为图像，并使用七个微调的CNN模型（包括EfficientNet和Inception变体）进行分析。遗传算法优化超参数。

数据集和预处理技术

本研究使用两个数据集来评估所提出的入侵检测系统的性能。第一个数据集捕获真实世界的物联网流量，第二个数据集聚焦于农业环境中的物联网网络。在本节中，我们介绍这两个数据集并详细说明在使用前进行的预处理步骤。

提出的方法论

本研究旨在在农业物联网网络中微调一个轻量级图像预训练模型，并使用联邦学习架构对其进行训练，以开发一个有效的入侵检测系统。该入侵检测系统通过将网络流量转换为灰度图像来分类网络流量。

实验设置

实验在Kaggle平台（https://kaggle.com）上进行，使用双T4配置。本研究使用的联邦学习框架为Flower（Beutel等，2020），使用TensorFlow和Keras开发和训练模型。

本研究中使用的超参数见表2。虽然两个数据集之间共享某些参数，但其他参数因各自的具体特征和需求而有所不同。特别地，Farm-Flow数据集需要额外的……

性能评估

为全面评估所提出的入侵检测平台，我们使用两个不同的数据集进行了一系列实验：Edge-IIoTset和Farm-Flow。这种双数据集方法服务于一个关键目的。Edge-IIoTset使我们能够与现有工业文献进行标准化基准比较，而Farm-Flow数据集验证了该方法在智能农业特定资源受限环境中的有效性。

重要的是，在这些不同环境中评估模型展示了其……

分析与对比讨论

解释表7时的另一个考虑因素是，对比研究主要采用记录级随机划分，在此条件下，来自同一流量或捕获会话的记录可能同时出现在训练集和测试集中。我们的Edge-IIoTset结果是在更严格的时间顺序协议下获得的，排除了这种可能性，意味着我们报告的值反映了向先前未观测流量的泛化能力，而非在打乱后的数据内部进行插值。

结论与未来方向

本研究提出了一种针对资源受限农业物联网网络的高效可扩展的入侵检测系统。我们的核心创新在于联邦学习和迁移学习的协同整合，通过对单个网络数据包的直接转换实现这一整合。这种方法消除了先前研究中所使用的计算密集的多包处理和复杂架构的需求，从而降低了计算负担，并提供了一个有前景的基础……

CRediT作者贡献声明

Amina Khacha：撰写——初稿、方法论、形式化分析、概念化。Zibouda Aliouat：撰写——审阅与编辑、验证、监督、方法论。Yasmine Harbi：撰写——审阅与编辑、监督、形式化分析、概念化。Chirihane Gherbi：撰写——审阅与编辑、监督、形式化分析、概念化。Rafika Saadouni：方法论、形式化分析、概念化。Ado Adamou Abba Ari：撰写——审阅与编辑、可视化。

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

Amina Khacha | Zibouda Aliouat | Yasmine Harbi | Chirihane Gherbi | Rafika Saadouni | Ado Adamou Abba Ari | Hakim Mabed