Sentinel：面向异构物联网网络中个性化联邦入侵检测的动态知识蒸馏
机器学习
2025-10-28 v1 分布式、并行与集群计算
摘要
联邦学习（FL）提供了一种隐私保护的机器学习范式，但其在物联网网络中入侵检测系统（IDS）的应用面临着严重的类别不平衡、非独立同分布数据以及高通信开销问题。这些挑战严重降低了常规FL方法在实际网络流量分类中的性能。为克服这些限制，我们提出了Sentinel框架，一种集成双模型架构的个性化联邦IDS（pFed-IDS），每个客户端包含一个个性化教师模型和一个轻量级共享学生模型。该设计有效平衡了深度本地适应与高效全局模型一致，同时通过仅传输紧凑的学生模型来保留客户端隐私，从而降低通信成本。Sentinel集成了三大关键机制以确保稳健的性能：采用自适应温度缩放的双向知识蒸馏、多维特征对齐以及类别平衡损失函数。此外，服务器采用归一化梯度聚合并对所有客户端进行等权重，以提升公平性并缓解客户端漂移。对IoTID20和5GNIDD基准数据集进行的广泛实验表明，Sentinel显著优于当前最先进的联邦方法，在保持通信效率的同时，尤其在极端数据异构性下，建立了新的性能基准。
引用
@article{arxiv.2510.23019,
title = {Sentinel: Dynamic Knowledge Distillation for Personalized Federated Intrusion Detection in Heterogeneous IoT Networks},
author = {Gurpreet Singh and Keshav Sood and P. Rajalakshmi and Yong Xiang},
journal= {arXiv preprint arXiv:2510.23019},
year = {2025}
}
备注
This is a preprint version of a paper currently under review for possible publication in IEEE TDSC