基于语义不一致和信任感知聚合的 Tri-LLM 协作型零样图入侵检测
密码学与安全
2026-02-03 v1 人工智能
摘要
联邦学习（FL）已成为面向网络空间和物联网（IoT）网络的隐私保留、分布式入侵检测系统（IDS）的有效范式，由于隐私和带宽限制，集中式数据聚合往往不可行。尽管具备优势，现有大多数基于 FL 的 IDS 假设闭合学习环境，缺乏不确定性估计、语义泛化及对零日攻击情景下认识不确定性的显式建模。此外，对异构且不可靠客户端的鲁棒性仍是实际应用中的挑战。本文引入一种语义驱动的联邦 IDS 框架，将语言派生的语义监督纳入联邦优化，实现对以前未见攻击行为的开放集成入侵检测。该方法利用 GPT-4o、DeepSeek-V3 和 LLaMA-3-8B 三体 LLM 构建语义攻击原型，将分布式遥测特征与高层次攻击概念对齐。将 LLM 之间的语义不一致建模为零日风险的认识不确定性，同时采用信任感知聚合机制根据可靠性动态加权客户端更新。实验结果表明，该框架在异构客户端之间实现稳定的语义对齐并保持一致收敛。在未见攻击模式上实现 80% 以上的零样图检测准确率，相较于基于相似性的基线提高了 10% 以上的零日识别能力，同时在不可靠或被篡改客户端存在时保持低聚合不稳定性。
引用
@article{arxiv.2602.00219,
title = {Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation},
author = {Saeid Jamshidi and Omar Abdul Wahab and Foutse Khomh and Kawser Wazed Nafi},
journal= {arXiv preprint arXiv:2602.00219},
year = {2026}
}