CLAD：用于联合异常检测与攻击分类的聚类无标签联邦学习框架

物联网和工业物联网的快速扩张创造了庞大且异构的攻击面，对传统网络安全机制构成了挑战。虽然联邦学习为集中式入侵检测系统提供了一种保护隐私的替代方案，但标准方法难以在各种设备行为间泛化，并且通常无法利用现实边缘环境中存在的大量未标记数据。为了弥补这些差距，我们提出了 CLAD，这是一个将聚类联邦学习与新型双模式微架构（$\text{DM}^2\text{A}$）无缝结合的整体框架。这种统一方法同时解决了物联网安全的两个主要瓶颈：设备异构性和标签稀缺性。$\text{DM}^2\text{A}$ 组件具有一个共享编码器和随后的两个分支，能够实现无监督异常检测和有监督攻击分类的联合；这使得该框架能够从有标签和无标签客户端中获取情报。同时，聚类组件动态地将具有一致流量模式的设备分组，防止全局模型发散。通过精心组合这些元素，CLAD 确保没有数据被丢弃，且不同的操作模式得以保留。广泛的评估表明，这种集成方法显著优于最先进的基线，在 80% 客户端无标签的场景下，检测性能实现了 30% 的相对提升，而通信成本仅为一半。