
-
生物通官微
陪你抓住生命科技
跳动的脉搏
FedQMoE-IDS:面向边缘工业物联网入侵检测的联邦量子混合专家框架
《Scientific Reports》:Asymmetric class-conditional routing in a federated quantum mixture-of-experts improves imbalanced intrusion detection in edge industrial IoT networks
【字体: 大 中 小 】 时间:2026年09月19日 来源:Scientific Reports 4.9
编辑推荐:
摘要部署在边缘工业物联网(Edge-IIoT)环境中的入侵检测系统(IDS)面临三个关键且相互关联的挑战:(i)极端类别不平衡,尾部攻击类别可能被正常流量以超过700:1的比例压倒;(ii)依赖softmax归一化的门控机制中的竞争性专家崩溃,这阻碍了稀疏的、条件类别路由;以
部署在边缘工业物联网(Edge-IIoT)环境中的入侵检测系统(IDS)面临三个关键且相互关联的挑战:(i)极端类别不平衡,尾部攻击类别可能被正常流量以超过700:1的比例压倒;(ii)依赖softmax归一化的门控机制中的竞争性专家崩溃,这阻碍了稀疏的、条件类别路由;以及(iii)地理分布的边缘节点之间存在统计异质性,其本地流量分布为非独立同分布。现有的联邦学习解决方案孤立地解决这些挑战,导致尾部类别检测效果不佳。我们提出了FedQMoE-IDS,一种新颖的联邦量子混合专家框架,通过三项协同创新共同解决所有三个挑战:(1)一种具有按类别聚焦参数\(\gamma _c\)的类别平衡不对称焦点损失,通过有效数量加权独立调节头部和尾部类别梯度;(2)一种无辅助损失的动态偏差负载均衡归一化sigmoid门控机制,取代softmax以实现具有精确零权重和类别条件专家路由的真正稀疏激活;(3)一种选择性联邦聚合策略,将参数空间划分为共享(FedDyn聚合的CNN+KAN+分类器)、本地保留(个性化门控网络)和定期交换(变分量子电路专家)组件。三阶段MoE架构级联了1D-CNN特征提取器、在希尔伯特空间中运行的变分量子电路(VQC)编码器和Kolmogorov–Arnold网络(KAN)样条专家,每个都由独立的sigmoid top-K门控控制。我们在一个具有\(N{=}10\)个通过Dirichlet分布(\(\alpha {=}0.3\))划分的Edge-IIoT客户端的真实非IID联邦设置下进行实验,并与参数匹配的经典基线(更深的CNN和softmax门控MoE)、个性化联邦MoE(FedMoE, pFedMoE)以及联邦类别不平衡方法进行对比。在UNSW-NB15、Edge-IIoTset和CIC-IDS2017上的综合实验,采用五种子评估和Bonferroni校正的Wilcoxon符号秩检验,表明FedQMoE-IDS在UNSW-NB15上达到99.20%的准确率和98.40%的宏F1分数,在Edge-IIoTset上达到99.80%的准确率——超越了包括集中式深度学习、联邦LSTM和基于Transformer的IDS在内的最新先进方法。所有改进都具有统计显著性(\(p < 0.05\))。完整的源代码和配置文件已公开提供,以实现独立复现。