面向非IID挑战的物联网系统防御攻击的稳健型联邦学习方法
机器学习
2025-11-24 v1 人工智能
密码学与安全
摘要
在用户设备日益增多且数据 volumes 同步激增的背景下，大量数据带来的复杂性已成为常规机器学习模型训练面临的重大挑战。这在资源受限且安全敏感的环境中尤为突出，如互联网 of Things (IoT) 相关网络。联邦学习（FL）因其去中心化模型训练、有效解决隐私问题和资源限制的能力而成为一种有前景的解决方案。然而，来自不同方的数据在统计上非独立且不 identically 分布（non-IID）的情况下，仍为 FL 的有效性带来了重大挑战。许多 FL 方法已被提出以增强在统计异构性下的学习效果。然而，既有研究在 IoT 攻击检测中比较不同联邦方法的综合研究仍存空白，尤其缺乏对联邦方法在检测 IoT 攻击时统计异构性问题的全面比较。在本研究中，我们探索了 FedAvg、FedProx 和 Scaffold 等 FL 算法在不同数据分布下的表现。我们的重点是全面理解并应对统计异构性所带来的挑战。本研究利用 CICIoT2023 数据集对大规模 IoT 攻击进行分类。通过严谨的分析和实验，我们的目标是为研究者和实践者提供这些 FL 方法的性能细微差异的洞见。
引用
@article{arxiv.2511.16822,
title = {A Robust Federated Learning Approach for Combating Attacks Against IoT Systems Under non-IID Challenges},
author = {Eyad Gad and Zubair Md Fadlullah and Mostafa M. Fouda},
journal= {arXiv preprint arXiv:2511.16822},
year = {2025}
}
备注
6 pages, conference paper; presented at the 2024 International Conference on Smart Applications, Communications and Networking (SmartNets 2024), Harrisonburg, VA, USA, May 28, 2024