相关实验视频
对物联网网络中联合入侵检测模型的数据集中心评估
Muhammad Ahmad Bilal1, Ihtesham Ul Islam1, Sarmad Idrees2
1Department of Computer Software Engineering, Military College of Signals, National University of Sciences and Technology, Islamabad, Pakistan.
Scientific reports
|January 16, 2026
概括
在物联网中用于入侵检测的联合学习显示出希望,但在不同数据集的泛化方面存在困难. 结合数据集和使用FedProx或FedNova等先进算法,可以提高性能和效率.
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:
- 联合学习 (FL) 对于物联网中的隐私保护入侵检测系统 (IDS) 至关重要.
- 基于FL的IDS的泛化受到单个数据集评估和非IID数据的限制.
研究的目的:
- 在多个当代物联网/IIoT数据集中对基于FL的IDS进行全面的,以数据集为中心的评估.
- 为了对IDS的聚合算法 (FedAvg,FedProx,FedNova) 和深度学习骨干 (LSTM,Transformer) 进行基准测试.
- 评估检测准确性,概括性,收性和通信成本.
主要方法:
- 在Edge-IIoTset,CIC-IoT2023和TII-SSRC-23数据集上评估了FL-IDS.
- 构建了非IID客户端,协调了标签和对齐的功能.
- 在域内,交叉数据集和多数据集联合制度下,具有LSTM和变压器模型的基准FedAvg,FedProx,FedNova.
主要成果:
- 联合模型实现了高域内性能 (高达98%的宏观F1).
- 跨数据集的概括显示了显著的退化 (高达30%的宏观F1损失).
- 组合多数据集联合改善了跨数据集的性能,达到90%的宏观F1.
- 变压器模型的性能优于LSTM;FedProx/FedNova增强了稳定性并降低了通信成本.
结论:
- 通过结合数据集FL优先考虑各种攻击和环境数据,这是强大的IDS的关键.
- 变压器骨干提供优势;FedProx/FedNova优化了受限制物联网环境的培训.
- 为了有效地在现实世界中部署,FL-IDS需要仔细选择数据集和算法.
