面向物联网网络入侵检测的安全动态联邦学习框架——SecureDyn-FL
密码学与安全
2026-01-13 v1 网络与互联网体系结构
摘要
物联网（IoT）设备在智能家居、工业控制系统和医疗网络等领域的快速普及，显著扩大了网络安全威胁的攻击面，包括仿冒驱动的分布式拒绝服务（DDoS）、恶意软件注入和数据外泄。传统的入侵检测系统（IDS）在应用于此类异构的 IoT 环境时面临隐私、可扩展性和鲁棒性等关键挑战。为此，我们提出了 SecureDyn-FL，一个为物联网网络入侵检测量身定制的全面且稳健的隐私保护联邦学习（FL）框架。SecureDyn-FL 旨在同时解决 FL 基于 IDS 中的多个安全维度：（1）通过动态时间梯度审计实现投毒检测；（2）通过安全聚合抵御推理和窃听攻击；（3）通过个性化学习适应异构非独立同分布（non-IID）数据。该框架的三个核心贡献包括：（i）一种动态时间梯度审计机制，利用高斯混合模型（GMM）和马氏距离（MD）检测隐蔽且自适应的投毒攻击；（ii）基于变换加性 ElGamal 加密的优化隐私保护聚合方案，结合自适应修剪和量化实现安全高效的通信；（iii）一种双目标个性化学习策略，通过调整 logits 损失提高了非独立同分布数据下的模型适应性。在 IID 和非 IID 设置下，对 N-BaIoT 数据集进行的大量实验，包括最高可达 50% 对抗性客户端的情况，表明 SecureDyn-FL 在各种 FL 基于 IDS 防御方面 consistently 优于当前最先进的方法。
引用
@article{arxiv.2601.06466,
title = {SecureDyn-FL: A Robust Privacy-Preserving Federated Learning Framework for Intrusion Detection in IoT Networks},
author = {Imtiaz Ali Soomro and Hamood Ur Rehman and S. Jawad Hussain ID and Adeel Iqbal and Waqas Khalid and Heejung Yu ID},
journal= {arXiv preprint arXiv:2601.06466},
year = {2026}
}
备注
Accepted for IEEE TNSM