计算机应用研究

作者：陈涛,薛皓铭,马宇翔,管浩琪,

单位：1.河南大学计算机与信息工程学院,河南开封475000；2.河南大学国际(欧美)理工学院,郑州450046；

关键词：边端协同网络,联邦学习,对比生成式对抗网络,异常流量检测,

基金：河南省优秀青年科学基金资助项目(252300421230)；河南省重点研发专项资助项目(241111212800)；；

随着人工智能发展，边端协同网络在智能决策与本地数据处理中的应用日益广泛。然而，边端协同网络存在隐私泄露、计算资源受限和数据不平衡等问题。针对上述问题，提出一种基于自适应联邦学习的异常流量检测模型，在保护隐私的同时提升检测性能。首先，提出一种基于方差的特征选择算法以降低计算开销；其次，提出一种基于对比生成式对抗网络，缓解数据不平衡问题；再次，构建自适应联邦学习更新策略，通过条件策略网络自动分离全局与本地特征信息，从而增强模型在异构数据下的泛化能力。最后，设计一种基于卷积神经网络的轻量级编码器，实现异常流量检测。实验结果表明，所提方法能够有效检测边端协同网络异常流量，提高异常检测准确率。本文源代码链接：https://github.com/henulab/AFL-ATD。

来源：2025年第11期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第11期