机构名称：
¥ 1.0
摘要 - 在低成本消费电子和云计算的快速开发中，广泛采用了智能城市和工业控制系统等下一代分布式系统的广泛采用。IoT设备通常由于其开放部署环境和严格的安全控制功能而容易受到网络攻击的影响。因此，入侵检测系统（ID）已成为通过监测和检测异常活动来保护IoT网络的有效方法之一。但是，现有的ID方法依靠集中式服务器来生成行为概况并检测异常，从而导致高响应时间和由于通信开销而引起的大量运营成本。此外，在开放和分配的物联网网络环境中共享行为数据可能违反了设备的隐私要求。此外，各种物联网设备倾向于捕获异质数据，这使行为模型的训练变得复杂。在本文中，我们介绍联合学习（FL），以协作训练一个分散的ID模型，而无需向他人展示培训数据。此外，我们提出了一种有效的方法，称为联合学习集合知识蒸馏（FLEKD）来减轻各种客户的异质性问题。FLEKD比常规模型融合技术实现了更灵活的聚集方法。最后，我们在三种潜在的现实情况下评估了我们提出的框架的性能，并显示Flekd在实验结果中具有明显的优势。公共数据集CICIDS2019上的经验结果表明，所提出的方法在速度和性能方面都优于本地培训和传统的FL，并且显着提高了系统检测未知攻击的能力。索引术语 - 关闭检测系统，联合学习，物品互联网，知识蒸馏，数据杂基
在异构互联网中有效的入侵检测...
主要关键词
相关文件推荐
