OptiFLIDS：面向物联网的优化化联邦学习能效入侵检测
机器学习
2025-10-15 v2 人工智能
密码学与安全
摘要
在智能家居和工业系统等关键物联网环境中，有效的入侵检测系统 (IDS) 对确保安全性至关重要。然而，开发稳健的 IDS 解决方案仍是重大挑战。传统基于机器学习的 IDS 模型通常需要大规模数据集，但由于隐私和安全顾虑，数据共享往往受限。联邦学习 (FL) 作为一种在不共享原始数据的情况下实现协作模型训练的有前景的替代方案。尽管具有优势，FL 仍面临数据异构性 (非 IID 数据) 和高能耗与计算成本的问题，尤其是针对资源受限的物联网设备。为此，本文提出 OptiFLIDS，一种新方法在本地训练期间应用修剪技术以降低模型复杂度和能耗。它还包含定制化的聚合方法以更好地处理因非 IID 数据分布导致的修剪模型差异。在三个最新物联网 IDS 数据集 (TON_IoT、X-IIoTID、IDSIoT2024) 上的实验表明，OptiFLIDS 在保持强检测性能的同时提升了能源效率，适用于实际部署的物联网环境。
引用
@article{arxiv.2510.05180,
title = {OptiFLIDS: Optimized Federated Learning for Energy-Efficient Intrusion Detection in IoT},
author = {Saida Elouardi and Mohammed Jouhari and Anas Motii},
journal= {arXiv preprint arXiv:2510.05180},
year = {2025}
}
备注
12 pages, 15 figures