中文

F-ACVAE：用于物联网网络隐私保护入侵检测的联邦自适应条件变分自编码器

机器学习 2026-07-06 v1 密码学与安全
作者: Mohammad Ansarimehr , Somayeh Changiz , Ehsan Baghishani , Ali Mousavi
在 arXiv 上查看 ↗ PDF ↗

摘要

物联网（IoT）设备的快速普及显著扩大了网络攻击面，因此需要鲁棒且保护隐私的入侵检测系统（IDS）。然而，集中式学习方法常常因高维流量数据、极端类别不平衡以及异构边缘设备间高度非独立同分布（non-IID）的数据而遭受严重的性能下降。为了解决这些挑战，本文提出了F-ACVAE，一种联邦自适应条件变分自编码器框架，能够在分布式物联网设备之间进行协作模型训练，而无需共享原始数据。F-ACVAE引入了选择性参数聚合，其中本地编码器保持私有，而全局共享组件被同步以保留判别性潜在结构。为了进一步增强在极端non-IID设置和特征分布偏移下的稳定性，我们引入了一种新颖的约束动量高斯聚合（CMGA）策略，该策略将更新钳制与基于动量的平滑相结合，以减轻客户端漂移。在N-BaIoT数据集上的大量实验表明，F-ACVAE实现了99%的平均准确率和宏F1分数，优于最先进的基线。此外，选择性聚合机制将通信开销减少了约62%，使得该框架特别适用于资源受限的物联网环境。这些结果凸显了F-ACVAE在确保隐私保护和通信效率的同时实现高检测性能的有效性。

关键词

联邦学习 入侵检测 变分自编码器 物联网 隐私保护 非独立同分布

引用

@article{arxiv.2607.04698,
  title  = {F-ACVAE: A Federated Adaptive Conditional Variational Auto-Encoder for Privacy-Preserving Intrusion Detection in IoT Networks},
  author = {Mohammad Ansarimehr and Somayeh Changiz and Ehsan Baghishani and Ali Mousavi},
  journal= {arXiv preprint arXiv:2607.04698},
  year   = {2026}
}