计算机应用研究

作者：陈力夺,温蜜,张研博,

单位：上海电力大学计算机科学与技术学院,上海200090；

关键词：联邦学习,入侵检测,隐私保护,异构机制,

基金：国家自然科学基金委联合基金资助项目(U23B2021)；；

5G的广泛应用导致物联网的设备和流量激增，降低了物联网入侵检测系统的效率和可靠性。目前的入侵检测系统主要使用同步的分布式深度学习方法，难以应用到现实的分布式异步场景中。另外，在分布式的训练过程中也可能遭遇推断攻击。针对以上问题，提出了一种基于两级K-异步联邦学习的隐私保护入侵检测方案，通过在模型训练的不同阶段使用对应算法，提高异步入侵检测模型训练的收敛性和准确率，并设计了一种梯度屏蔽算法防止系统异步训练过程中的推断攻击。实验结果表明，在强异构场景下，该方案在两个入侵检测数据集上训练的准确率可以分别提高11.8%和9.8%，为提高物联网场景下入侵检测系统的效率、可靠性和安全性提供了一种有效方案。

来源：2024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2024年第11期