TemporalFED：基于去中心化联邦学习的工业时间序列数据网络攻击检测
密码学与安全
2025-09-16 v2
摘要
工业 4.0 带来了诸多优势，例如通过自动化提高生产率。然而，它也带来了影响工业过程的网络攻击等重大安全问题。联邦学习（FL）结合时间序列分析是文献中提出的一种有前景的网络攻击检测机制。但是，单点故障和网络瓶颈是需要解决的关键挑战。因此，本文探讨了去中心化联邦学习（DFL）在网络攻击检测和资源消耗方面的优势。该工作提出了 TemporalFED，一个利用 FL 范式和时间序列检测工业环境异常的软件模块。TemporalFED 包含三个组件：时间序列转换、特征工程和时间序列平稳化转换。为评估 TemporalFED，将其部署于 DFL 框架 Fedstellar 上。随后，一组实验在具有不同时间序列配置、FL 范式和拓扑的化学气体工业环境中测量了检测性能与资源消耗。结果展示了采用 DFL 和半去中心化联邦学习（SDFL）范式以及全连接拓扑的配置之优越性，其在异常检测中取得了最佳性能。在资源消耗方面，无特征工程的配置比其他配置使用了更少的带宽、CPU 和 RAM。
引用
@article{arxiv.2308.03554,
title = {TemporalFED: Detecting Cyberattacks in Industrial Time-Series Data Using Decentralized Federated Learning},
author = {Ángel Luis Perales Gómez and Enrique Tomás Martínez Beltrán and Pedro Miguel Sánchez Sánchez and Alberto Huertas Celdrán},
journal= {arXiv preprint arXiv:2308.03554},
year = {2025}
}