集成联邦学习与多模态大语言模型的分布式安全威胁检测系统设计与实现
密码学与安全
2025-02-26 v1 人工智能
分布式、并行与集群计算
性能
摘要
传统的安全保护方法在大规模分布式系统中难以应对复杂的攻击向量，尤其在检测精度与数据隐私之间寻求平衡时更显得吃力。本文提出一种新型分布式安全威胁检测系统，集成联邦学习与多模态大语言模型（multimodal LLMs）。该系统利用联邦学习确保数据隐私，同时采用多模态大语言模型处理包括网络流量、系统日志、图像和传感器数据等异构数据源。实验评估在 10TB 的分布式数据集上表明，该方法实现了 96.4% 的检测准确率，显著优于传统基线模型的 4.1 个百分点。系统将误报率和漏报率分别降低了 1.8 和 2.4 个百分点。性能分析显示，该系统在分布式环境中保持高效的处理能力，完成模型训练需 180 秒，跨分布式网络的威胁检测仅需 3.8 秒。这些结果表明，在保持数据隐私的前提下，本系统在检测准确率和计算效率方面实现了显著提升，具有良好的在大规模安全系统中实际部署潜力。
引用
@article{arxiv.2502.17763,
title = {Design and implementation of a distributed security threat detection system integrating federated learning and multimodal LLM},
author = {Yuqing Wang and Xiao Yang},
journal= {arXiv preprint arXiv:2502.17763},
year = {2025}
}