【技术实现步骤摘要】
一种分布式物联网异常检测方法
[0001]本专利技术涉及异常检测领域，具体涉及一种基于隐私增强异步联邦学习的分布式物联网异常检测方法。
技术介绍
[0002]物联网（IoT）系统的普及促进了智能城市中的现代应用的发展，为城市基础设施和城市生活带来了极大的便利。然而，物联网系统正面临严峻的网络安全风险，这可能会导致公共事业产生巨大的经济损失。因此，物联网设备的异常检测已成为保障智能城市安全的重要研究课题。
[0003]传统的异常检测工作侧重于使用机器学习技术分析生成的时间序列数据，而现有的方法主要由有监督、半监督和无监督模型发展而来，这些方法在异常检测领域都取得了成功。然而，在具有分布式边缘节点的物联网应用中，实时、准确地进行检测仍然是一项具有挑战性的任务。造成这一情况的主要原因是，在终端设备算力、通讯资源有限的情况下，将生成的所有数据上载到中央服务器是不可行的。此外，由于收集的数据通常包含敏感信息，这在数据窃听和数据泄漏方面带来了重大隐私问题。为了克服这些问题，联邦学习（FL）作为一种分布式机器学习范式，已经成为异常...
【技术保护点】
【技术特征摘要】
1.一种分布式物联网异常检测方法，其特征在于：该方法包括以下几个步骤：步骤 S1，进行联邦学习参数和全局模型的初始化；步骤S2，在联邦学习异常检测中，终端设备基于本地存储的数据来训练本地模型；使用过时系数来降低逾期本地模型参数的影响；步骤S3，将本地模型参数输入DP
‑
GAN算法生成一组合成本地模型参数，具体的将步骤S2中生成的本地模型参数输入GAN的发生器（G），发生器（G）生成一组合成的本地模型参数，然后将生成的合成本地模型参数视为鉴别器（D）和DP标识符（I）的输入，该合成本地模型参数满足这两个感知器的要求，就将该参数作为输出结果进入下一步骤，其中DP
‑
GAN的对抗模型公式为其中是预先注入的噪声样本；是参与训练的数据样本， 表示计算期望值，是指交互式鉴别器和标识符所组成的新结构；步骤S4，将步骤S3得到的合成本地模型参数广播到区块链P2P网络来进行全局优化，各终端设备在区块链P2P网络中完成共识过程，在共识过程中，由获胜的终端设备进行全局聚合操作得到该轮的全局模型参数，并生成存储全局模型参数的块；步骤S5，全局模型参...
【专利技术属性】
技术研发人员：崔磊，曲晓东，邢宇峰，关成成，王建安，赵志诚，谢刚，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。