【技术实现步骤摘要】
本专利技术属于网络信息安全，涉及物联网场景下的入侵检测方法，特别涉及一种面向边缘异构的个性化联邦学习入侵检测方法。
技术介绍
1、随着5g商用的持续拓展和6g战略性布局拉开帷幕，海量物联网设备正在加速接入互联网，面向物联网设备的攻击也开始呈现爆发式增长。为了应对复杂的网络攻击，以保证工业产业的安全发展，工业界和学术界对物联网入侵检测技术正在倾注越来越多的关注和研究，应对潜在安全威胁。
2、目前基于云计算的深度学习算法可以通过收集海量物联网设备入侵样本训练出具有泛在检测能力的入侵检测模型，但是主要存在两点缺陷：
3、1)边缘设备通常处理敏感数据，将其传输到云服务器进行入侵检测可能存在数据隐私和安全性方面的风险；
4、2)边缘设备通常在网络不稳定或断网的情况下，如果与中央服务器的连接中断，就无法对局域网内的网络活动进行监控和检测。
5、联邦学习是一种新型分布式机器学习技术，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练，在不需要交换本地样本数据的前提下，仅通过交换模型参数或中...
【技术保护点】
1.面向边缘异构的个性化联邦学习入侵检测方法，其特征在于，包括：
2.根据权利要求1所述的面向边缘异构的个性化联邦学习入侵检测方法，其特征在于，所述步骤2中云服务器结合客户端的资源信息执行个性化剪枝算法的过程具体包括：
3.根据权利要求1所述的面向边缘异构的个性化联邦学习入侵检测方法，其特征在于，所述步骤4中基于相似度加权的模型聚合策略对模型异构的客户端模型进行聚合的过程具体包括：
4.根据权利要求2所述的面向边缘异构的个性化联邦学习入侵检测方法，其特征在于，所述步骤21的计算方式如下：
5.根据权利要求2所述的面向边缘...
【技术特征摘要】
1.面向边缘异构的个性化联邦学习入侵检测方法，其特征在于，包括：
2.根据权利要求1所述的面向边缘异构的个性化联邦学习入侵检测方法，其特征在于，所述步骤2中云服务器结合客户端的资源信息执行个性化剪枝算法的过程具体包括：
3.根据权利要求1所述的面向边缘异构的个性化联邦学习入侵检测方法，其特征在于，所述步骤4中基于相似度加权的模型聚合策略对模型异构的客户端模型进行聚合的过程具体包括：
4.根据权利要求2所述的面向边缘异构的个性化联邦学习入侵检测方法，其特征在于，所述步骤21的计算方式如下：
5.根据权利要求2所述的面向边缘异构的个性化联邦学习入侵检测方法，其特征在于，步骤22：通道按照重要性得分从小到打排序；与需要敏感度分析的方法不同，直接对个通道直接进行排序；排序方式如下：
6.根据权利要求2所述的面向边缘异构的个性化联邦学习入侵检测方法，其特征在于，步骤23：按照排序依次递减通道的数目，计算当前模型的权衡评分；由于不同客户端的资源能力不同，为了实现效率和精度之间的权衡，本发明...
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。