用于安全 IIoT 防御系统的零信任智能体联邦学习
机器学习
2026-01-01 v1 人工智能
密码学与安全
分布式、并行与集群计算
多智能体系统
摘要
针对关键基础设施的近期攻击，包括 2021 年 Oldsmar 水处理入侵与 2023 年丹麦能源部门入侵，凸显了工业物联网（IIoT）部署中迫切的安全漏洞。尽管联邦学习（FL）实现了隐私保护的协作式入侵检测，但现有框架仍易受拜占庭中毒攻击，且缺乏鲁棒的智能体认证。我们提出了零信任智能体联邦学习（ZTA-FL），这是一个结合了以下要素的纵深防御框架：（1）基于 TPM 的密码学证明，实现了低于 0.0000001 的误接受率；（（2）一种新颖的 SHAP 加权聚合算法，在非独立同分布条件下提供可解释的拜占庭检测并具有理论保证；（3）隐私保护的设备端对抗训练。在三个 IDS 基准（Edge-IIoTset、CIC-IDS2017、UNSW-NB15）上的综合实验表明，ZTA-FL 实现了 97.8% 的检测准确率，在 30% 拜占庭攻击下达到 93.2% 的准确率（比 FLAME 高 3.1%，p 小于 0.01），以及 89.3% 的对抗鲁棒性，同时将通信开销降低了 34%。我们提供了理论分析、失效模式刻画，并发布了代码以供复现。
引用
@article{arxiv.2512.23809,
title = {Zero-Trust Agentic Federated Learning for Secure IIoT Defense Systems},
author = {Samaresh Kumar Singh and Joyjit Roy and Martin So},
journal= {arXiv preprint arXiv:2512.23809},
year = {2026}
}
备注
9 Pages and 6 figures, Submitted in conference 2nd IEEE Conference on Secure and Trustworthy Cyber Infrastructure for IoT and Microelectronics, Houston TX, USA