利用共享社区实现网络安全的联邦学习

计算机网络中的自动化网络威胁检测是网络安全领域的一大挑战。网络领域存在固有难题，使传统机器学习技术难以适用，具体而言：需要通过全球协作持续学习不断演变的攻击，同时维护数据隐私，且网络所有者拥有的资源各不相同。我们提出一种通过架构方法缓解这些困难的方案，该方法采用社区模型共享与流式分析流水线。我们的流式方法在每个日志记录被处理时增量训练模型，从而适应由攻击变化导致的概念漂移。此外，我们设计了一种社区共享方法，通过合并模型实现联邦学习，而无需共享敏感的网络日志数据。最后，通过以模块化方式标准化数据与机器学习流程，我们为网络安全运维人员提供了依据社区成员与分析方法的权重配置来管理网络威胁事件与模型灵敏度的能力，以适应其可用资源与数据。