物联网入侵检测系统中联邦学习的综述

入侵检测系统正演变为在其环境中搜索异常以进行数据分析的智能系统。深度学习技术的发展为构建更复杂、更有效的威胁检测模型打开了大门。然而，在大多数物联网设备上训练这些模型在计算上可能是不可行的。当前的方法依赖于强大的集中式服务器，这些服务器接收来自所有参与方的数据——这违反了基本的隐私约束，并由于巨大的通信开销而严重影响响应时间和运营成本。为了缓解这些问题，联邦学习作为一种有前景的方法应运而生，不同的代理协作训练一个共享模型，既不向他人暴露训练数据，也不需要计算密集型的集中式基础设施。本文重点关注联邦学习方法在入侵检测领域的应用。详细描述了这两种技术，并对当前的科学进展进行了回顾与分类。最后，本文强调了近期工作中存在的局限性，并为该技术提出了一些未来的发展方向。