面向 IIoT 安全：基于联邦学习的创新隐私-preserving 异常检测器
密码学与安全
2026-04-08 v1
摘要
在工业互联网物联网 (IIoT) 日益增长的连接性和灵敏度下，网络攻击和数据泄露正在变得更为常见。为应对此类威胁，本研究提出一种基于新颖联邦学习 (FL) 框架的异常检测系统。该系统通过在工业代理端本地处理数据，无需共享原始数据即可在工业代理端训练异常检测模型，从而检测网络攻击并保护工业数据隐私。该提出的 FL 框架包含两个关键组件，以提升隐私性和效率。第一个组件是同态加密 (HE)，集成到框架中以进一步保护敏感数据传输，如模型参数。HE 通过防止对方通过模型反推攻击等方式推断出私人工业数据，从而增强 FL 的隐私性。第二个组件是一种创新的动态代理选择方案，其中基于代理延迟和数据大小计算选择阈值。该新方案旨在缓解传统 FL 架构（如同步和异步架构）中出现的瓶颈效应和通信瓶颈，确保在 IIoT 环境中因数据异构性导致的不同延迟不会对代理选择造成不公平，同时提升模型性能和收敛速度。该提出框架在准确率、精确率、F1 分数、通信成本、收敛速度和公平率等方面均优于基线方法。
引用
@article{arxiv.2604.06101,
title = {Towards Securing IIoT: An Innovative Privacy-Preserving Anomaly Detector Based on Federated Learning},
author = {Samira Kamali Poorazad and Chafika Benzaïd and Tarik Taleb},
journal= {arXiv preprint arXiv:2604.06101},
year = {2026}
}