基于高效联邦学习算法的网络入侵检测模型

作     者：郝劭辰 卫孜钻 马垚 于丹 陈永乐 HAO Shaochen;WEI Zizuan;MA Yao;YU Dan;CHEN Yongle

作者机构：太原理工大学信息与计算机学院山西晋中030600 

基　　金：山西省基础研究计划项目(20210302123131 20210302124395) 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2023年第43卷第4期

页      码：1169-1175页

摘      要：为解决在入侵检测场景中引入联邦学习技术后,由于节点间存在流量数据非独立同分布(non-iid)现象而导致模型难以聚合并得到高识别率的问题,构造了一种高效联邦学习算法(H-E-Fed),并基于该算法构建了对应的入侵检测模型。首先,协调方设计针对流量数据的全局模型,并下发至入侵检测节点间进行模型训练;然后,协调方收集本地模型,并对节点间本地模型的协方差矩阵评估偏度,以衡量节点间模型的相关性,从而重新分配模型聚合参数,并生成新的全局模型;最后,协调方与节点多轮交互,直至全局模型收敛。实验结果表明,与基于联邦平均(FedAvg)算法和FedProx算法的模型相比,基于高效联邦学习算法的入侵检测模型在节点间产生数据non-iid现象时的通信消耗更低;且在KDDCup99数据集和CICIDS2017数据集上,与基线模型相比,准确率分别提升了10.39%、8.14%与4.40%、5.98%。

主 题 词：联邦学习 入侵检测 机器学习 模型聚合 信息安全 

学科分类：08[工学] 081201[081201] 0812[工学-测绘类] 

D　O　I：10.11772/j.issn.1001-9081.2022020305

馆 藏 号：203121038...