一种用于在网络拓扑中模拟和预测恶意软件传播的隐私感知联邦框架

《Scientific Reports》：A federated framework for simulating and predicting malware propagation in network topologies with privacy awareness

　　

摘要

在数字时代，自传播恶意软件带来的安全威胁对网络基础设施构成了严峻挑战。尽管经典流行病学模型在分析恶意软件方面很有价值，但其确定性本质以及整合原始网络数据所面临的管理障碍，阻碍了准确的分布式预测。本研究提出了一种新颖的联邦学习框架，用于预测复杂网络中的恶意软件传播，该框架在保持数据本地性的同时，利用了深度时空模型。为了重建传播动态，使用 Gillespie 随机模拟算法在 Watts–Strogatz 和 Barabási–Albert 网络拓扑以及一个真实的 Twitter 网络子图上实现了五种流行病学模型（SIS、SIR、SIRS、SEIR 和 SEIRS）。所提出的时空注意力网络（STAN）架构结合了多头注意力和 LSTM 单元，以提取空间和时间的非线性相关性。跨多个随机种子的实验结果表明，与基础 LSTM 相比，STAN 表现良好，在总体准确率、F1 分数和马修斯相关系数（MCC）的跟踪表现上均达到了高水平。关键在于，在不规则结构上，当标准顺序模型出现性能下降时，STAN 表现出对持续性基线约束的高度鲁棒性。此外，在去中心化框架下采用基于模块的分区策略的实施结果显示，全局模型密切跟踪集中训练趋势，并由于权重聚合期间的正则化效应而表现出鲁棒的泛化能力。这项研究表明，结合时空人工智能与分布式学习，为在本地化数据约束下监控模拟网络威胁提供了一种数据本地化、可扩展且准确的解决方案。