面向异构物联网入侵检测的自适应元聚合联邦学习
网络与互联网体系结构
2026-02-16 v1
摘要
物联网 (IoT) 的快速普及为行业带来了显著的发展，使其能够实现互联系统和智能自动化。然而，这种指数级增长也引入了重大的安全漏洞，使 IoT 网络日益成为复杂网络攻击的目标。物联网设备的异构性为传统入侵检测系统带来了关键挑战。为此，本文提出了一种创新方法，称为自适应元聚合联邦学习 (AMAFed)，旨在增强面向异构物联网网络的入侵检测。通过采用基于元学习的动态加权机制，AMAFed 根据数据质量和贡献为各地区模型分配自适应重要性，从而实现跨设备的个性化协作学习。该方法在三个基准 IoT 数据集上进行了评估：ToN-IoT、N-BaIoT 和 BoT-IoT，代表了多样化的真实场景。实验结果表明，AMAFed 在 ToN-IoT 数据集上实现了最高达 99.8% 的检测准确率，所有数据集的 F1 分数均超过 98%。在 N-BaIoT 数据集上达到 99.88% 的准确率，在 BoT-IoT 数据集上达到 98.12% 的准确率，持续优于当前最先进的方法。
引用
@article{arxiv.2602.12541,
title = {Adaptive Meta-Aggregation Federated Learning for Intrusion Detection in Heterogeneous Internet of Things},
author = {Saadat Izadi and Mahmood Ahmadi},
journal= {arXiv preprint arXiv:2602.12541},
year = {2026}
}