Mist 辅助的联邦学习用于异构物联网网络中的入侵检测
网络与互联网体系结构
2025-11-04 v1
摘要
物联网（IoT）的快速增长为新机会带来了同时也扩大了分布式资源受限设备的攻击面。由于数据异构性来自于多样化的感知模态以及跨客户端样本的非IID分布，入侵检测在此类环境中困难。联邦学习（FL）提供了一种隐私保护的集中式训练替代方案，但传统框架在这些条件下困难。为此，我们提出了用于IoT入侵检测的Mist辅助分层框架。该架构跨越四层：（i）Mist层，在此层原始数据被抽象为统一特征空间并进行轻量级异常检测；（ii）Edge层应用基于效用的数据集选择；（iii）Fog层使用FedProx来稳定训练；（iv）Cloud层整合和分发全局模型。在TON-IoT数据集上的评估表明，该框架在异构和大规模设置下实现了98-99%的准确率，PR-AUC> 0.97，并在保持效率和保护隐私的同时实现稳定收敛。
引用
@article{arxiv.2511.00271,
title = {Mist-Assisted Federated Learning for Intrusion Detection in Heterogeneous IoT Networks},
author = {Saadat Izadi and Shakib Komasi and Ali Salimi and Alireza Rezaei and Mahmood Ahmadi},
journal= {arXiv preprint arXiv:2511.00271},
year = {2025}
}