面向非 IID IoT 恶意软件检测的隐私保护原型交换跨板聚类学习框架
密码学与安全
2025-07-11 v1 人工智能
摘要
随着 IoT 生态系统在关键领域的不断扩张，它们已成为日益精致和大规模恶意软件攻击的主要目标。不断演变的威胁格局以及 IoT 生成数据的敏感性，要求检测框架具备隐私保护能力并能抵御数据异构性。联邦学习 (FL) 通过在不暴露原始数据的情况下实现分布式模型训练，提供了可行的解决方案。然而，诸如 FedAvg 和 FedProx 等标准 FL 算法在数据分布不均且非 IID 的实际部署中常常难以为业——尤其是在稀有或不相干恶意软件类别的存在下。为此，我们提出 FedP3E (Privacy-Preserving Prototype Exchange)，一种新型 FL 框架，支持间接跨客户端表示共享，同时保持数据隐私。每个客户端使用高斯混合模型 (GMM) 构建类别原型，使用高斯噪声扰动后仅传输这些紧凑概述。聚合的原型随后分发回客户端并集成到本地训练中，通过 SMOTE 基于增强来提高少数恶意软件类别的表示。与仅依赖参数平均相比，我们的原型驱动机制使客户端能够在不交换原始数据或梯度的情况下，从联邦系统中观察到的互补结构模式丰富其本地模型——这种针对性策略在最小化通信开销的同时，减轻统计异构性的负面影响。我们在 N-BaIoT 数据集上对 FedP3E 进行了评估，模拟了具有不同程度数据不平衡的真实跨板场景。
关键词
引用
@article{arxiv.2507.07258,
title = {FedP3E: Privacy-Preserving Prototype Exchange for Non-IID IoT Malware Detection in Cross-Silo Federated Learning},
author = {Rami Darwish and Mahmoud Abdelsalam and Sajad Khorsandroo and Kaushik Roy},
journal= {arXiv preprint arXiv:2507.07258},
year = {2025}
}