计算机应用研究

作者：张月,唐伦,王恺,陈前斌,

单位：重庆邮电大学a.通信与信息工程学院;b.移动通信重点实验室,重庆400065；

关键词：异常检测,AE网络,数据扩充,对抗性学习,联邦学习,

基金：国家自然科学基金项目(62071078)；川渝联合实施重点研发项目(2021YFQ0053)；；

针对物联网场景下，传统异常检测方法在海量不均衡数据中检测准确率低、数据异构导致模型泛化能力差等问题，提出了基于联邦学习的对抗双编码异常检测网络 （GB-AEnet-FL）的物联网设备异常检测算法。首先，提出了一种基于异常数据的主动特征分布学习算法，主动学习数据的潜在特征分布通过数据重构扩充异常数据，均衡正负样本比例。其次，在潜在特征层引入了对抗训练机制并添加一致性增强约束和收缩约束，提高特征提取的精度。最后，设计了一种基于动态模型选择的联邦学习算法，比较局部模型与全局模型的置信度评分，动态选择部分联邦体参与，加速模型的聚合，在一定程度上也保护了用户隐私。在四个不同数据集上进行验证，结果显示，所提算法在检测准确度优于传统算法且泛化能力得到相应提升。

来源：2022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2022年第11期