AFedAIoT：一种面向工业物联网安全与持续异常检测的自适应联邦人工智能模型

《Pervasive and Mobile Computing》：AFedAIoT: Adaptive Federated AI model for secure and continuous anomaly detection in industrial IoT

　　

**摘要**

本文提出了一种名为AFedAIoT的自适应联邦学习框架，旨在解决工业物联网（IIoT）异常检测中的安全性和可扩展性问题。为了克服经典联邦学习（cFL）模型中的漏洞，引入了量子安全认证（QSA）；为了应对经典联邦学习模型中的对抗性威胁、概念漂移和通信开销问题，AFedAIoT引入了基于动态信任的更新机制。所提出的系统使用自注意力自适应长短时记忆（SAALSTM）网络来有效检测异构传感器数据流中的异常。在应用于WUSTL-IIoT-2021数据集时，AFedAIoT能够达到94.5%的检测准确率、0.896的ROC-AUC和0.941的精确率-召回率AUC。该框架还实现了显著的效率提升，带宽使用减少了72%，并具有适用于大规模部署的次线性计算复杂度O(n^0.9)。六项威胁评估显示平均具有中等水平的韧性，模型投毒测试显示97.8%的抵抗力，而认证稳健性达到了98.5%。从结果可以看出，AFedAIoT适用于复杂IIoT生态系统中的信任感知实时异常检测，配备SAALSTM用于检测时间维度上的异常，QSA用于检查模型更新，以及信任加权聚合策略以消除联邦训练中的恶意贡献。

**引言**

工业物联网（IIoT）正在改变工业自动化，并使得智能监控、预测性维护和实时决策管理的便捷化成为可能。到2025年，将有超过750亿台连接的IIoT设备，每年生成高达79.4泽字节的数据。虽然这些设备有助于提高效率和降低运营成本，但它们也增加了安全风险，特别是在异常检测方面。近年来，传统的集中式异常检测模型变得越来越无法满足实际应用的需求，不仅缺乏可扩展性，而且无法与数据隐私法规兼容，同时具有较高的计算和通信成本。为了解决这些问题，有人建议联邦学习（FL）是一个潜在的解决方案，它能够在分布式IIoT节点上进行协同模型训练而无需共享数据[1]。

然而，在动态工业环境中，采用联邦学习的异常检测系统仍然容易受到安全风险、通信低效和适应性问题的影响。投毒是基于FL的IIoT异常检测中最显著的问题，可能导致检测准确率下降高达30%[2]。此外，当工业过程持续变化时，所谓的概念漂移问题难以应对，这会导致静态FL模型的性能下降15%-25%[3]。除此之外，在IIoT节点之间频繁进行模型更新，进一步加剧了通信开销，与传统集中式学习相比，联合训练增加了高达5倍的通信成本[4]，[5]，[6]。此外，在异构IIoT环境中建立信任的任务仍然具有挑战性，因为这些设备缺乏验证，带来了安全威胁，并增加了对抗性攻击和数据泄露的风险[7]。这些挑战指出了基于FL的灵活异常检测框架的重要性，该框架能保证在IIoT环境中的鲁棒性、准确性和可扩展性。

其计算需求通常不适合资源受限的IIoT环境中的实时异常检测，而其安全保证则更高。在安全认证支持下可扩展和自适应的联邦AI模型是工业韧性的关键组成部分。受此启发，本研究引入了一个名为AFedAIoT的新型框架，基于QSA和自注意力LSTM，用于IIoT中鲁棒、安全和连续的异常检测。在本文中，术语"实时异常检测"用于描述（软）实时处理，涉及每次推理循环的端到端延迟不超过50毫秒，这是根据IEC 61511定义的工业过程控制报告间隔的典型值。未来工作的一个方向是进行硬实时调度分析，如速率单调或最早截止期优先的可调度性测试。

所提出的解决方案解决了在IIoT网络异常检测中实施联邦学习的安全性和适应性问题。在AFedAIoT中，由QSA启用的动态信任评分机制旨在通过过滤不可信的贡献来防止对抗性更新尝试和投毒攻击。该系统具有自动聚合机制，以实现全局模型更新变体优化，并自主应对IIoT环境中的变化。优化函数旨在同步安全策略、可扩展性和实时效率，同时保持持续的异常检测过程。

本研究旨在创建一种自适应且安全的联邦AI模型AFedAIoT，用于IIoT网络中的持续异常检测。相关异常检测系统的性能受到当前联邦学习框架中安全漏洞、攻击、概念漂移和通信性能问题的影响。为了克服这些困难，本研究将QSA与自注意力自适应LSTM（SAALSTM）相结合，以生产在困难IIoT情况下运行的可靠和自适应模型。

IIoT中的传统联邦学习面临三个主要挑战：
(i) 容易受到模型投毒和未授权更新的影响
(iii) 无法适应数据分布的阶跃变化
(iii) 由于频繁交换模型而导致的高通信开销

目标是创建一个高效、安全和自适应的联邦异常检测系统，该系统在资源受限的情况下具有可扩展性，并能适应IIoT不断变化的数据。本研究具有以下具体目标：
- 设计一个自适应联邦学习框架，采用完全自适应的聚合模型来优化模型更新、抵御对抗性攻击并在IIoT网络中检测异常。
- 开发一种量子安全认证机制，该机制能够实现模型完整性，抵御投毒攻击，并在资源受限的IIOT环境中确保联邦学习的安全。
- 通过在IIoT部署中使用与自注意力机制结合的LSTM模型，实现更好的检测和更高的效率，并降低误报率。
- 提供一种多目标优化技术，以在采用联邦学习的IIoT系统中平衡实时通信开销、安全性和计算效率。
- 使用真实的IIoT数据评估所提出的AFedAIoT模型，并测试其在检测能力、对抗性攻击、可扩展性和通信效率方面的性能。

我们提出了一个名为AFedAIoT的联邦AI模型，该模型将QSA与自注意力LSTM（SAALSTM）集成在一起，以在IIoT系统中提供持续和安全的异常检测。本研究的主要研究意义包括：
- 设计了一个自适应联邦学习框架，用于动态更新模型、对抗性威胁和缓解IIoT网络中的漂移。
- 量子安全认证机制旨在进一步加强模型完整性、模型投毒攻击的防御，并在分散式设置中实现安全的联邦聚合。
- 为了在大规模IoT中检测异常，使用了一个配备自注意力机制的LSTM网络，以实现高检测准确率和低误报率。
- 提出了一种多目标优化方法，以考虑IIoT实时联邦学习中的安全性、计算可行性和可扩展性。

这些贡献共同推进了联邦学习安全、自适应异常检测和可扩展IIoT解决方案，同时保证了在现实工业环境中的鲁棒性。AFedAIoT在真实世界的IIoT数据集上进行了测试，展示了抵御对抗性攻击的能力和提高了通信效率。虽然以前的研究主要集中在安全性、适应性或通信效率方面，但AFedAIoT独特地解决了模型投毒问题、应对了概念漂移问题，并优化了IIoT环境中带宽的使用。

本文的其余部分致力于相关工作（第2节）、方法论（第3节）、实验评估（第4节）和结论（第5节）。

**IIoT中异常检测的自适应联邦学习（相关工作）**

为了在保护数据隐私的同时提高工业物联网（IIoT）的安全性和有效性，异常检测引起了广泛关注。Wang等人[8]提出了一种分层联邦学习模型用于异常检测，该模型整合了多层传感器数据以提高检测准确性和降低检测延迟，但仍然面临概念漂移问题。为了克服这些缺点，Liu等人[9]提出了一种减少通信的FL模型。

**方法论**

AFedAIoT的系统模型架构设计是依据实时IIoT环境开发的，如图1所示。多个IIoT边缘设备构成了系统，它们监控工业基础设施并在本地生成传感器数据。

在边缘节点上进行小规模异常检测，并定期更新模型。安全FL核心不仅收集这些更新，而且QSA和信任引擎验证这些更新以保护免受攻击。

**性能评估**

图3显示了WUSTL-IIoT-2021数据集中异常分数的时间演化。标记为高亮区域的概念漂移区域显示了数据分布的突然变化，分数突然跳升到检测阈值以上。

图3显示了模拟概念漂移在第50轮前后异常分数的概率分布。在漂移之前，大多数分数聚集在较低值，表明系统处于平衡状态。

**结论**

通过展示其异常检测能力的可靠性和有效性，本研究可以作为评估其他异常检测算法和系统在联邦IIoT环境中性能的一个有价值的基准。它证明了AFedAIoT是解决联邦IIoT系统中信任、安全性和通信效率挑战的一个可靠且高效的解决方案，使其成为其他异常检测算法和系统的一个有价值的基准。

**CRediT作者贡献声明**
Umar Islam：撰写——初稿、软件、方法论、调查、形式分析、数据管理、概念化。
Inayat Ali：撰写——审阅与编辑、验证、监督、资源、资金获取、概念化。
Abdulwahid Al Abdulwahid：撰写——审阅与编辑、验证、资源。
Sulaiman Alamro：撰写——初稿、验证、形式分析、数据管理。
Hathal Salamah Alwageed：撰写——初稿、验证、监督、调查。

**未引用参考文献**
[29]，[30]，[31]，[32]，[33]，[34]

**利益冲突声明**
作者声明，他们没有已知的竞争财务利益或个人关系可能影响本文所报告的工作。

**致谢**
本研究得到了信息与通信科学技术规划与评估院（IITP）的支持，由韩国政府（MSIT）资助（编号：RS-202502309685，可编程基础设施技术开发以实现保证的应用性能）。

**作者**
Umar Islam | Inayat Ali | Abdulwahid Al Abdulwahid | Sulaiman Alamro | Hathal Salamah Alwageed | Hanif Ullah