
-
生物通官微
陪你抓住生命科技
跳动的脉搏
FedFusion-IDS:一种面向物联网的隐私保护可解释联邦入侵检测框架研究
《Scientific Reports》:Fed fusion-IDS: a privacy-preserving federated intrusion detection system with multi-objective feature optimization and explainable deep learning
【字体: 大 中 小 】 时间:2026年09月18日 来源:Scientific Reports 4.9
编辑推荐:
摘要网络入侵检测系统(NIDS)对于保护网络安全基础设施至关重要。现有的基于集中式的入侵检测方法无法提供隐私保护,无法抵御零日攻击,并且缺乏满足现代网络安全政策所需的透明度。在这项工作中,我们提出了FedFusion-IDS,这是一种新的保护隐私的联邦式入侵检测框架。该框架基于联
网络入侵检测系统(NIDS)对于保护网络安全基础设施至关重要。现有的基于集中式的入侵检测方法无法提供隐私保护,无法抵御零日攻击,并且缺乏满足现代网络安全政策所需的透明度。在这项工作中,我们提出了FedFusion-IDS,这是一种新的保护隐私的联邦式入侵检测框架。该框架基于联邦学习、使用NSGA-II和SHAP进行的多目标特征选择、结合CNN、BiLSTM和注意力机制的混合深度学习架构、通过SHAP和LIME实现可解释性,以及零日异常检测功能。我们在包含10个联邦客户端和20轮通信的现代TON_IoT数据集上对FedFusion-IDS进行了全面评估。在多目标优化阶段,选择了一个帕累托最优的特征子集以降低维度的同时保留重要的流量信息。本地客户端训练了一个具有962,181个参数的CNN-BiLSTM-Attention模型,参数聚合采用传统的FedAvg和F1加权自适应聚合技术。使用TON_IoT数据集进行实验后,发现全局检测准确率为66.26%,F1分数为0.6524,所有主要攻击类型的ROC-AUC值均超过0.99(正常攻击:0.999,后门攻击:1.000,DDoS攻击:0.997,DoS攻击:0.700)。双重SHAP和LIME可解释性机制提供了细粒度的全局特征排名和实例级解释,确保符合GDPR第22条和欧盟AI法案等法律透明度要求。此外,零日异常检测仿真证实FedFusion-IDS能够在无需预先签名训练的情况下有效识别异常威胁。这些结果共同为在分布式物联网网络中部署保护隐私且具有可解释性的入侵检测系统提供了实用蓝图。