基于原型学习的非 IID 环境下联邦入侵检测框架 PROTEAN
密码学与安全
2025-07-09 v1
摘要
在分布式网络中，参与者常常面临多样化和快速演变的网络攻击。这使得基于联邦学习 (FL) 的技术成为一个有前景的缓解策略。通过仅交换模型更新，FL 参与者可以在不透露敏感信息（例如网络结构或安全姿态）的情况下协同构建检测模型。然而，FL 解决方案的有效性常常因显著的数据异构性受到阻碍，因为由于安全策略的不同，攻击模式在不同组织之间差异巨大。为解决这些挑战，我们引入 PROTEAN，这是一个基于原型学习的框架，旨在促进协作和隐私保护的入侵检测。PROTEAN 能够在高度非 IID 攻击分布环境中实现精确检测，通过在不同组织之间交换不同攻击类型的类原型来促进直接知识共享。这使组织能够更好地理解其数据集合中不存在的攻击技术。我们在两个来自 IIoT 和 5G 连接参与者的网络入侵数据集上实现了 PROTEAN，并评估了其在实用性和隐私方面的性能，证明其在解决数据异构性问题的同时，提高了联邦入侵检测系统 (IDS) 中网络攻击理解的效果。
引用
@article{arxiv.2507.05524,
title = {PROTEAN: Federated Intrusion Detection in Non-IID Environments through Prototype-Based Knowledge Sharing},
author = {Sara Chennoufi and Yufei Han and Gregory Blanc and Emiliano De Cristofaro and Christophe Kiennert},
journal= {arXiv preprint arXiv:2507.05524},
year = {2025}
}