《Engineering Applications of Artificial Intelligence》:Federated Residual Graph Convolutional Transformer Network for privacy-preserving Distributed Denial-of-Service detection in Internet of Things environments
编辑推荐:
•提出了Fed-RGCTNet用于隐私保护的物联网DDoS攻击检测。•整合动态图卷积网络(GCN)和Transformer编码器进行时空学习。•采用残差特征融合保留判别性攻击信息。•实现协作式联邦训练而无需共享原始网络流量。•在五个物联网入侵基准数据集上达到98.75%的准确
- •
提出了Fed-RGCTNet用于隐私保护的物联网DDoS攻击检测。
- •
整合动态图卷积网络(GCN)和Transformer编码器进行时空学习。
- •
采用残差特征融合保留判别性攻击信息。
- •
实现协作式联邦训练而无需共享原始网络流量。
- •
在五个物联网入侵基准数据集上达到98.75%的准确率。
引言
物联网(IoT)是一个不断演进的由各设备组成的网络,这些设备通过软件和传感器以数字方式收集和共享节点之间的信息(Kumari等,2025年)。这些互联设备广泛应用于农业、电信、医疗、交通、工业应用和家庭使用等多个行业,因为它们能够与其他设备进行通信和信息交换(Bouke等,2023年)。特别是,医疗和交通行业受益于物联网设备的发展,这些设备提供了有效的和有据可依的决策能力。然而,尽管物联网系统提供了更多优势,但它们极易受到安全威胁。安全威胁包括数据泄露、数据包嗅探、身份欺骗、路由协议漏洞和分布式网络攻击(Bukhowah等,2024年)。分布式拒绝服务(DDoS)是影响隐私和完整性的严重安全问题之一,它导致物联网应用中断,并造成重大的经济和声誉损失(Harshdeep等,2025年)。物联网和网络系统的快速发展,以及集成了智能管理方案、云计算和下一代网络(5G/6G),增加了DDoS攻击的复杂性和破坏性(Anley等,2024年)。DDoS攻击按恶意流量的量进行分类,包括高速攻击和低速攻击。这两种类型的攻击具有不同的特征和影响。DDoS攻击对数据传输效率有严重的负面影响,对鲁棒的攻击检测构成重大挑战。通过这些攻击生成大量恶意流量,可以淹没易受攻击的设备并中断常规系统功能(Ali等,2024年)。
有效的DDoS攻击检测机制能够检测威胁行为,在设备共享数据时维持物联网环境的安全性。这凸显了物联网环境中需要鲁棒的DDoS攻击检测模型的重要性(Dash等,2024年)。目前,设计针对网络威胁的安全模型已成为高优先级的研究课题。人工智能(AI)驱动的方法,特别是具有可靠性和隐私保护策略的联邦学习(FL),为DDoS攻击检测提供了安全解决方案(Pakmehr等,2024年)。联邦学习方案在减少数据传输开销的同时增强了隐私保护。联邦学习通过在物联网设备上本地处理数据,实现对DDoS的及时检测和缓解。这种去中心化的模型避免了原始数据传输,提高了隐私性并实现了鲁棒的威胁检测(Alfriehat等,2024年)。传统的DDoS检测方法基于预定义的攻击签名模式运行,使其容易受到演化攻击的威胁。现有的DDoS检测方法由于集中式架构和高计算成本,在分布式且资源受限的物联网环境中缺乏有效性。在传统方法中,可扩展性较差,并且在大规模物联网环境中存在显著的隐私问题。此外,流量模式的某些特征是复杂的、分层的和动态的,这对机器学习(ML)技术构成了挑战。
为了解决这些问题,本研究提出了一种新颖的隐私保护和可扩展的DDoS检测框架——联邦残差图卷积Transformer网络(Fed-RGCTNet)。所提出的框架结合了联邦学习、动态图表示学习、稀疏注意力(SA)、残差特征融合、时序卷积网络(TCN)和基于Transformer的序列建模,以更好地捕获通信关系和时间攻击行为。这种综合方案增强了检测精度、对新攻击模式的适应性,并为当今异构物联网网络提供了实用的安全解决方案。
Fed-RGCTNet模型的主要创新之处在于开发了一种新颖的Fed-RGCTNet,以实现隐私保护的DDoS攻击检测,而无需在分布式物联网客户端之间共享原始网络流量信息。提出了一种动态图卷积网络(GCN),根据不断变化的流量特征自适应地更新图结构。通过这种机制,框架动态地捕获物联网设备之间的关系,并使其能够适应动态的攻击模式。包含了一种稀疏注意力(SA)机制,以选择性关注最具信息量的流量交互并过滤冗余连接。这减少了计算开销并提高了特征质量。残差图特征融合是一种融合浅层和深层图表示的图特征。这将有助于避免在深层图学习架构中常见的过平滑问题,并保留攻击特定信息。通过在Transformer编码器中整合TCN,框架能够同时有效建模长期攻击依赖关系和短期流量变化,从而生成全面的流量行为模型进行分析。
Fed-RGCTNet框架在DDoS攻击检测过程中的主要贡献如下:
分布式联邦学习架构: 设计了一种用于物联网环境中DDoS攻击检测的隐私保护联邦学习框架。它允许多个客户端协同训练模型,同时将原始流量数据保留在本地。这显著提高了隐私保护并降低了与集中式数据收集相关的风险。
基于动态图的流量表示学习: 提出了一种动态GCN,以拓扑感知的方式学习流量表示。框架根据学习到的特征关系持续更新图的连通性,图能够捕获互联物联网设备之间的通信模式和攻击传播行为。使用稀疏注意力(SA)机制来选择最相关的流量交互并抑制信息量较少的流量连接。这增强了特征之间的区分能力,并在模型训练期间降低了计算复杂度。
通过残差图特征融合实现鲁棒的表示学习: 残差特征融合是一种组合低层和高层图特征的策略。这保留了本地通信特征,避免了特征退化,并提高了多个图卷积层中攻击相关模式的表示。
时序和长程依赖建模: Fed-RGCTNet框架在Transformer编码器模型中使用TCN来学习短期流量变化和长期时序依赖关系。这有助于识别更复杂和高级的DDoS攻击模式。
全面的性能验证: 在包括CIC-DDoS2019、Bot_IoT、BUET-DDoS2020、ToN-IoT和SCADANet在内的五个基准数据集上进行了广泛的实验。Fed-RGCTNet以98.11%的精确率、98.75%的准确率、97.54%的召回率和97.82%的F1分数超越了最先进的技术。
本文其余各部分如下:第2节讨论了各种现有的DDoS攻击检测工作,第3节提供了所提出的Fed-RGCTNet,第4节展示了实验结果。最后,第5节描述了结论和未来的工作。
各节摘要
相关工作
本节描述了在攻击检测过程中应用的各种现有方法。Alshdadi等人(2025年)提出了一种基于联邦学习的混合模型,该模型整合了残差网络(ResNet)、视觉几何组(VGG)和Swin-Transformer,称为ResVGG-SwinNet,以确保物联网环境中DDoS攻击的有效检测。通过利用这些模型,ResVGG-SwinNet改进了特征提取,优化了特征精炼,并有效地捕获了上下文依赖关系。基于联邦学习的
提出的方法
Fed-RGCTNet在物联网环境中检测DDoS攻击同时保持隐私的整体工作流程如图1所示。网络流量数据的初始数据集来自加拿大网络安全研究所 – DDoS 2019(CIC-DDoS 2019)、物联网僵尸网络(Bot_IoT)、孟加拉国工程与技术大学 – DDoS 2020(BUET-DDoS 2020)、Telefometry操作系统和网络型物联网(ToN-IoT),以及监控与数据采集网络(SCADANet)。一旦
实验结果
本部分通过实验评估了Fed-RGCTNet的有效性,其中包括多种分析。
结论
本文介绍了一种面向分布式物联网环境的隐私保护DDoS攻击检测框架Fed-RGCTNet。所提出的模型结合了动态GCN和Transformer编码器,能够有效地捕获结构通信关系和时间攻击行为。动态图学习实现了对演化流量模式的自适应表示,而稀疏注意力和残差特征融合提高了计算效率和特征判别性。联邦学习
CRediT作者贡献声明
P. Sachidhanandam:撰写 – 初稿、概念构思。S. Karthi:方法学、可视化。D. Roja Ramani:调查研究、验证。N. Alangudi Balaji:撰写 – 审阅与编辑、资源。
利益冲突声明
作者声明他们没有已知的可能影响本文所述工作的竞争性经济利益或个人关系。
P. Sachidhanandam|S. Karthi|D. Roja Ramani|N. Alangudi Balaji