相关实验视频
维护隐私的层次雾联合学习 (PP-HFFL) 用于物联网入侵检测
Md Morshedul Islam1, Wali Mohammad Abdullah1, Baidya Nath Saha1
1Department of Mathematics and Information Technology, Concordia University of Edmonton, Ada Blvd NW, Edmonton, AB T5B 4E4, Canada.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
本研究介绍了保护隐私的层次性雾联合学习 (PP-HFFL),用于安全的物联网 (IoT) 入侵检测. PP-HFFL增强了隐私,减少了通信开销,同时保持了高准确性,即使数据多样化.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 物联网 (IoT) 的物联网 (IoT) 的物联网.
背景情况:
- 不断扩大的物联网 (IoT) 增加了对网络攻击的脆弱性.
- 集中式入侵检测系统 (IDS) 面临着数据隐私,跨境传输限制和高通讯成本的问题.
- 对物联网安全需要一个分散的,保护隐私的解决方案.
研究的目的:
- 为物联网入侵检测提出一个保护隐私的等级雾联合学习 (PP-HFFL) 框架.
- 解决物联网安全中的数据隐私问题,通信开销和非IID数据挑战.
- 在关键物联网领域提高入侵检测的安全性和效率.
主要方法:
- 实施了层次的雾联合学习方法,雾节点作为中间人.
- 利用个性化联合学习 (PFL) 来管理异质,非独立和相同分布的 (非IID) 数据.
- 综合差异隐私 (DP) 技术,以保护敏感信息.
主要成果:
- PP-HFFL实现了与集中系统相美的检测准确性.
- 显著减少了通讯开支.
- 有效地保护数据隐私,并适应非IID数据分布.
- 在RT-IoT 2022和CIC-IoT 2023数据集上验证了性能.
结论:
- PP-HFFL为下一代物联网入侵检测提供了一种实用且安全的解决方案.
- 层次和保护隐私的方法有效地减轻了集中式IDS的局限性.
- 该框架支持各种应用中的安全和高效的物联网安全.
