面向异构IoT入侵检测的基于校准的硬件感知模糊聚类联邦学习（CF-HFC）
网络与互联网体系结构
2026-02-16 v1
摘要
异构Internet of Things（IoT）环境的快速扩张加剧了安全风险，因资源受限的设备仍 vulnerable to diverse cyberattacks。联邦学习（FL）作为一种面向协作入侵检测的隐私保护范式已涌现，但设备和数据异构性引入了主要挑战，包括慢热延迟、不稳定收敛和不平衡的错误率。本文提出了一种面向异构IoT网络的入侵检测方法：Calibrated Federated Learning method with Hardware-aware Fuzzy Clustering（CF-HFC）。该方法集成了三个互补组件于三层Edge-Fog-Cloud架构中：（1）硬件感知模糊聚类，将按计算容量组织客户端以缓解慢热效应；（2）Fuzzy-FedProx聚合，在非IID数据分布下稳定优化；（3）自适应共形校准（ACC），动态调整决策阈值以平衡假阴性和假阳性率。在ToN-IoT、BoT-IoT、Edge-IIoTset和CICDDoS2019数据集上进行了广泛实验，表明CF-HFC优于FedAvg和FedProx等基线方法，实现超过99%的检测准确率、更快的收敛速度和更低的通信延迟。总体而言，结果验证了CF-HFC在面向现有联邦学习方法的异构IoT环境中有效缓解了设备和数据层面的异构性，提供了准确且高效的入侵检测。
引用
@article{arxiv.2602.12557,
title = {CF-HFC:Calibrated Federated based Hardware-aware Fuzzy Clustering for Intrusion Detection in Heterogeneous IoTs},
author = {Saadat Izadi and Mahmood Ahmadi},
journal= {arXiv preprint arXiv:2602.12557},
year = {2026}
}