联邦学习驱动的物联网入侵检测方法研究综述OA
随着物联网(Internet of Things,IoT)的快速发展,其网络安全问题日益凸显。传统集中式入侵检测系统难以兼顾安全性与隐私保护,而联邦学习通过在不共享原始数据的前提下实现多节点协同建模,为物联网入侵检测提供了新的技术路径。本文围绕联邦学习驱动的物联网入侵检测方法展开系统性综述。首先介绍物联网入侵检测的基本原理及联邦物联网入侵检测系统的典型架构;随后从方法层面对现有研究进行分类梳理,总结基于联邦机器学习、联邦深度学习及联邦强化学习的物联网入侵检测方法,分析各类方法的核心特点、适用场景与挑战;继而概述了联邦学习驱动的面向物联网的联邦学习入侵检测系统(Federated Learning-based Intrusion Detection System for Internet of Things,FL-IoT-IDS)的联邦增强机制和前沿研究技术,并总结常用物联网入侵检测数据集及评估指标。最后,针对当前研究中普遍存在的关键问题,从低标注依赖建模、非独立同分布(Non-Independent and Identically Distributed,Non-IID)数据适配、联邦多模态大模型以及联邦学习安全性增强等方向探讨未来研究趋势。本文旨在为联邦学习在物联网入侵检测领域的研究与应用提供技术参考。
陈良臣;傅德印;蒋子龙;刘宝旭;卢志刚;姜政伟
中国劳动关系学院计算机学院,北京100048 中国科学院信息工程研究所,中国科学院网络测评技术重点实验室,北京100093 中国科学院自动化研究所,多模态人工智能系统全国重点实验室,北京100049中国劳动关系学院计算机学院,北京100048贵州财经大学信息学院,贵阳550025中国科学院信息工程研究所,中国科学院网络测评技术重点实验室,北京100093中国科学院信息工程研究所,中国科学院网络测评技术重点实验室,北京100093中国科学院信息工程研究所,中国科学院网络测评技术重点实验室,北京100093
信息技术与安全科学
联邦学习物联网入侵检测联邦入侵检测联邦深度学习联邦强化学习
《信息安全研究》 2026 (9)
P.780-788,9
国家自然科学基金项目(72261003)贵州省基础研究计划(自然科学)项目(黔科合基础-ZK[2022]一般019)国家统计局全国统计科学研究项目(2022LY005)中国科学院网络测评技术重点实验室课题(KFKT2022-003)中国劳动关系学院科研重点项目(26XYZD002)中国劳动关系学院教改项目(JG26041)中国劳动关系学院教师学术团队项目(24JSTD016)。
评论