INTELLECT：适用于异构计算环境的网络威胁检测

云计算、边缘计算和物联网的广泛采用增加了网络威胁的攻击面。这源于大规模部署常常不安全、具有异构特性的设备，这些设备的硬件和软件配置各不相同。这些设备的多样性吸引了广泛的潜在攻击方法，使得单个组织难以 comprehensively 了解所有可能的威胁。在此背景下，可以通过融合来自不同方的数据来开发强大的异常检测模型。联邦学习 (FL) 使基于机器学习的入侵检测系统的开发得以在不要求各方披露敏感训练数据（如网络流量或传感器读数）的情况下进行。然而，在资源受限的目标设备上部署所得模型可能具有挑战，因为它们可能需要超过目标设备可用计算资源，或者已为其他操作分配了资源。由于训练数据的显著部分对其他 FL 参与者是私有的，因此为组织训练设备特定模型是不可行的。为了解决这些挑战，本文引入 INTELLECT，这是一个新型解决方案，将特征选择、模型修剪和微调技术集成到一个 cohesive pipeline 中，用于动态适应预训练的机器学习模型和配置，以适用于入侵检测系统。通过实证评估，我们分析了 INTELLECT 方法在针对组织设备特定资源限制时调整机器学习模型的优势，并衡量了特征选择、修剪和微调操作对流量分类准确率产生的变化。此外，我们演示了在微调时 incorporating knowledge distillation 技术的优势，使机器学习模型能够在保持历史知识的同时持续适应本地网络模式。