VFL: A Verifiable Federated Learning with Privacy-Preserving for Big Data in Industrial IoT
由于大数据强大的分析能力，深度学习在工业物联网中被广泛应用于对采集的数据进行训练。然而，对于隐私问题，传统的数据收集集中式学习并不适用于对训练集敏感的工业场景。最近，联邦学习受到了广泛的关注，因为它只依赖于梯度聚合而不访问训练集来训练模型。但已有的研究表明，共享梯度仍然保留了训练集的敏感信息。更糟糕的是，恶意聚合服务器可能返回伪造的聚合梯度。在本文中，我们提出了VFL，可验证的联邦学习与隐私保护的大数据在工业物联网。具体来说，我们使用拉格朗日插值精心设置插值点，以验证聚合梯度的正确性。与现有方案相比，VFL的验证开销保持不变，无论参与者的数量。此外，我们采用盲法技术来保护参与者提交的梯度的隐私。如果n个参与者中不超过n-2个参与者与聚合服务器勾结，则VFL可以保证其他参与者的加密梯度不被反转。实验评估证实了所提出的VFL框架具有高精度和高效率的实际性能。
2020-07-30 cs.CR
Incremental Federated Learning for Intrusion Detection in IoT Networks under Evolving Threat Landscape
Tallinn University of Technology（塔林理工大学）；Northern Arizona University（北亚利桑那大学）
本研究提出基于LSTM的增量联邦学习方法，用于增强物联网网络中非平稳入侵检测系统的长期性能，通过分析不同学习策略在漂移条件下的表现，以提高检测准确性和资源效率。
2026-03-12 cs.CR
A Federated Lightweight Authentication Protocol for the Internet of Things
考虑到世界物联网的发展和市场，有必要保证开发的物联网应用程序的安全性以及最终用户的隐私。从这个意义上说，联合身份管理（Federated Identity Management，FIDM）系统可以提供很大的帮助，因为它们可以改善用户身份验证和隐私。在本文中，我们认为传统的FIDM大多很麻烦，不适合物联网。作为这个问题的解决方案，我们提出了一个专门为物联网量身定制的联合身份认证协议。我们的解决方案--联合轻量级物联网认证（FLAT），用更轻的协议取代了传统FIDM中使用的重协议和非对称加密原语。例如，FLAT协同地结合了对称密码系统和隐式证书。结果表明，与基线解决方案相比，FLAT可以将数据交换开销减少约31%。FLAT的客户端在数据传输、数据接收、总数据交换和计算时间方面也比基线解决方案更高效。我们的研究结果表明，即使在Arduino等资源受限的设备上，FLAT也能高效运行。
2019-07-12 cs.CR
FedMicro-IDA: A Federated Learning and Microservices-based Framework for IoT Data Analytics
针对物联网数据分析中的隐私、延迟和可重用性问题，提出基于联邦学习与微服务的框架FedMicro-IDA，将计算下沉至边缘，在MaleVis数据集上实现99.24%的恶意软件检测准确率，优于现有方法。
2025-10-22 cs.CR
Reliable Federated TinyML Deployment for IoT Security
The Pennsylvania State University（宾夕法尼亚州立大学）；Elizabethtown College（伊丽莎白敦学院）
本研究将联邦学习与TinyML模型压缩结合用于物联网入侵检测，通过服务器协调的余弦学习率调度将攻击召回率从46.7%提升至93.85%，实现轻量级隐私保护部署。
2026-09-24 cs.CR cs.LG
Federated TON_IoT Windows Datasets for Evaluating AI-based Security Applications
现有的网络安全解决方案基本上是使用基于知识的模型开发的，这些模型通常无法触发新的网络攻击家族。随着人工智能（AI），特别是深度学习（DL）算法的蓬勃发展，这些安全解决方案已经插入了AI模型，以发现、跟踪、缓解或响应新的安全事件。这些算法需要大量的异构数据源来训练和验证新的安全系统。本文介绍了新数据集的描述，即所谓的ToN_IoT，它涉及从物联网服务的遥测数据集、Windows和Linux的操作系统数据集以及网络流量数据集收集的联合数据源。本文介绍了Windows操作系统的TON_IoT数据集的测试床和描述。该测试平台分为边缘层、雾层和云层。边缘层涉及物联网和网络设备，雾层包含虚拟机和网关，云层涉及与其他两层链接的云服务，如数据分析。这些层使用软件定义网络（SDN）平台和网络功能虚拟化（NFV）平台（使用VMware NSX和vCloud NFV平台）进行动态管理。Windows数据集是从内存、处理器、网络、进程和硬盘的审计跟踪中收集的。这些数据集将用于评估各种基于人工智能的网络安全解决方案，包括入侵检测、威胁情报和狩猎、隐私保护和数字取证。这是因为数据集具有广泛的近期正常和攻击特征和观察，以及真实的地面实况事件。这些数据集可以通过此链接公开访问[1]。
2020-10-04 cs.CR
Clustered Federated Learning Architecture for Network Anomaly Detection in Large Scale Heterogeneous IoT Networks
提出一种基于联邦学习与无监督设备聚类算法的架构，用于在大型分布式异构物联网中训练网络入侵检测模型，有效解决数据孤岛与网络开销问题，并在包含真实攻击的复杂测试平台中验证了其有效性。
2023-07-27 cs.CR
Federated Learning-Enhanced Blockchain Framework for Privacy-Preserving Intrusion Detection in Industrial IoT
针对工业物联网传统入侵检测的隐私、延迟与单点故障问题，提出结合联邦学习与区块链的FL-BCID框架，通过边缘协同训练与链上存证实现高准确率、低开销的隐私保护入侵检测。
2025-05-21 cs.CR
Poisoning Attacks in Federated Edge Learning for Digital Twin 6G-enabled IoTs: An Anticipatory Study
Technology Innovation Institute（技术创新研究院）；University of Ottawa（渥太华大学）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
联合边缘学习对于支持数字孪生6 G物联网（IoT）环境中的隐私保护、人工智能（AI）活动至关重要。然而，我们还需要考虑针对底层AI系统的攻击的可能性（例如，攻击者试图在本地更新期间破坏物联网设备上的数据或破坏模型更新）;因此，在本文中，我们提出了一项针对支持数字孪生6 G的物联网环境的联合边缘学习中的中毒攻击的预期研究。具体来说，我们研究了对手对数字孪生6 G物联网环境中联邦学习模型的训练和开发的影响。我们证明了攻击者可以在两种不同的学习环境中进行中毒攻击，即：集中式学习和联邦学习，成功的攻击会严重降低模型的准确性。针对非独立同分布（Non-IID）数据和独立同分布（IID）数据，利用三个深度神经网络，对一个面向物联网应用的新型网络安全数据集进行了攻击评估。在攻击分类问题上，中毒攻击可以导致IID数据的准确率从94.93%下降到85.98%，而非IID数据的准确率从94.18%下降到30.04%。
2023-03-21 cs.AI cs.CR
Federated Learning based on Defending Against Data Poisoning Attacks in IoT
物联网（IoT）设备数量的迅速增长产生了大量的数据，但物联网设备中的数据隐私和安全暴露，特别是在自动驾驶系统中。联邦学习（FL）是一种通过集成基于分布式节点的全局模型来解决数据隐私、安全性、访问权限和对异构消息的访问问题的范例。然而，对FL的数据投毒攻击可能会破坏这些好处，破坏全局模型的可用性并中断模型训练。为了避免上述问题，我们建立了一个层次化防御数据投毒（HDDP）系统框架来防御FL中的数据投毒攻击，通过异常检测来监控各个节点的本地模型，从而清除恶意客户端。无论中毒防御服务器是否具有可信测试数据集，我们设计了\underline{l}局部\underline{m}模型\underline{t} est \underline{v} oting（LMTV）和\underline{k} ullback- \underline{l} eibler divergence \underline{a} normaly parameters \underline{d} etection（KLAD）算法来防御标签翻转中毒攻击。具体而言，可信测试数据集被用来获得每个分类的评估结果，以识别LMTV中的恶意客户端。更重要的是，我们采用kullback leibler散度来衡量KLAD中没有可信测试数据集的局部模型之间的相似性。最后，通过广泛的评估，针对各种标签翻转中毒攻击，LMTV和KLAD算法在不同…
2022-09-14 cs.CR
Federated Learning for Malware Detection in IoT Devices
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；University of Murcia（穆尔西亚大学）；University of Zurich UZH（苏黎世大学）；Cyber-Defence Campus, armasuisse Science & Technology（瑞士国防部科技局网络防御校区）
这项工作调查了联邦学习在物联网恶意软件检测方面的可能性，并研究了这种新学习范式所固有的安全问题。在此背景下，提出了一种使用联邦学习来检测影响IoT设备的恶意软件的框架。N-BaIoT是一个数据集，对受恶意软件影响的几个真实物联网设备的网络流量进行建模，已被用于评估所提出的框架。有监督和无监督的联邦模型（多层感知器和自动编码器）都能够检测影响N-BaIoT可见和不可见物联网设备的恶意软件。此外，他们的表现进行了比较，两个传统的方法。第一种是让每个参与者只使用自己的数据在本地训练模型，而第二种是让参与者与负责训练全局模型的中央实体共享数据。这种比较表明，使用更多样化和更大的数据，如在联邦和集中式方法中所做的那样，对模型性能有相当大的积极影响。此外，联邦模型，同时保护参与者的隐私，表现出类似的结果集中的。作为一个额外的贡献，并衡量联邦方法的鲁棒性，一个对抗性的设置与几个恶意参与者中毒的联邦模型已被考虑。在大多数联邦学习算法中使用的基线模型聚合平均步骤似乎非常容易受到不同的攻击，即使是单一的对手。因此，在相同的攻击场景下，作为对策的其他模型聚合功能的性能进行评估。这些功能提供了针对恶意参与者的显著改进，但是仍然需要更多的努力来使联邦方法健壮。
2021-11-19 cs.CR cs.LG
Trends in Blockchain and Federated Learning for Data Sharing in Distributed Platforms
随着5G网络和物联网（IoT）中通信技术的发展，大量生成的数据可以通过数据共享来改进机器学习（ML）推理。然而，安全和隐私问题是分布式和无线网络中的主要障碍。此外，物联网对系统资源有限制，这取决于服务的目的。此外，区块链技术通过共识算法和加密实现参与者之间的安全交易，而无需集中协调器。在本文中，我们首先回顾了联邦学习（FL）和区块链机制，然后，对区块链和FL在工业，车辆和医疗保健应用中的数据共享的集成进行了调查。
2021-07-19 cs.CR
Integration of Digital Twin and Federated Learning for Securing Vehicular Internet of Things
本文提出一种集成数字孪生与层次联邦学习的车辆物联网异常检测模型，以解决集中式检测的高延迟、隐私泄露等问题，提高恶意活动检测准确性。
2023-07-25 cs.CR
HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection
University of Queensland（昆士兰大学）
物联网生态系统安全态势的持续加强至关重要，因为互联设备的数量和共享的敏感数据量不断增加。利用机器学习（ML）功能防御物联网网络攻击具有许多潜在的好处。然而，目前提出的框架没有考虑数据隐私，安全架构和/或物联网生态系统的可扩展部署。在本文中，我们提出了一个基于分层区块链的联邦学习框架，以实现安全和隐私保护的协作物联网入侵检测。我们强调并展示了在组织间物联网网络之间共享网络威胁情报以提高模型检测能力的重要性。建议基于ML的入侵检测框架遵循分层联邦学习架构，以确保学习过程和组织数据的隐私。交易（模型更新）和流程将在安全的不可变分类账上运行，执行任务的一致性将由智能合约验证。我们已经测试了我们的解决方案，并通过实施它并使用关键的物联网数据集评估入侵检测性能来证明其可行性。其结果是一个安全设计的基于ML的入侵检测系统，能够检测到广泛的恶意活动，同时保护数据隐私。
2022-04-08 cs.CR cs.LG cs.NI
A Lightweight Federated Learning Approach for Privacy-Preserving Botnet Detection in IoT
University of North Dakota（北达科他大学）
针对物联网环境下传统僵尸网络检测方法的扩展性、隐私性与适应性问题，提出基于联邦学习的轻量级隐私保护检测框架，采用通信高效聚合策略，在保证检测准确率的同时大幅降低通信成本。
2025-10-03 cs.CR cs.DC cs.LG
Byzantine-Robust Federated Learning Framework with Post-Quantum Secure Aggregation for Real-Time Threat Intelligence Sharing in Critical IoT Infrastructure
本文提出一种结合后量子安全聚合的联邦学习框架，用于关键物联网基础设施中实时威胁情报共享，通过自适应加权聚合和基于格的加密协议，有效防御拜占庭攻击和量子威胁。
2026-01-03 cs.CR cs.LG
Federated Kalman Filter for Secure IoT-based Device Monitoring Services
University of Guelph（圭尔夫大学）
本文提出一种结合联邦卡尔曼滤波器、联邦学习与私有区块链的平台，用于解决物联网设备监控服务中的隐私问题，实验证明其在基于RSSI的定位数据估计上具有显著改进潜力。
2023-04-03 cs.CR cs.LG cs.NI
Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning
针对异构IoT网络中集中式IDS的高延迟、隐私泄露和数据异构问题，提出FLEKD联邦学习框架，以集成知识蒸馏实现灵活聚合，提升检测速度、性能及未知攻击识别能力。
2024-01-22 cs.CR
Federated Learning and Blockchain-enabled Fog-IoT Platform for Wearables in Predictive Healthcare
University of Guelph（圭尔夫大学）；University of Toronto（多伦多大学）
多年来，可穿戴物联网（IoT）设备在多种医疗保健服务中的普及和使用正在增加。受益于这些设备的使用的服务之一是预测分析，这可以改善电子保健的早期诊断。然而，由于可穿戴物联网设备的局限性，数据隐私，服务完整性和网络结构适应性方面的挑战出现了。为了解决这些问题，我们提出了一个在雾物联网网络中使用联邦学习和私有区块链技术的平台。这些技术具有隐私保护功能，可以保护网络内的数据。我们利用雾物联网网络的分布式结构为可穿戴物联网设备创建自适应网络。我们设计了一个测试平台，以检查所提出的平台的能力，以保持分类器的完整性。根据实验结果，所介绍的实现可以有效地保护病人的隐私和预测服务的完整性。我们进一步研究了其他技术对物联网网络安全性和适应性的贡献。总的来说，我们通过分析、模拟和实验证明了我们的平台在解决可穿戴物联网设备在预测性医疗保健中的重大安全和隐私挑战方面的可行性。
2023-01-11 cs.CR cs.LG cs.NI
Federated Learning-Driven Cybersecurity Framework for IoT Networks with Privacy-Preserving and Real-Time Threat Detection Capabilities
Western University（西安大略大学）
针对物联网网络中传统集中式安全方法难以平衡隐私保护与实时威胁检测的问题，提出联邦学习驱动的网络安全框架，利用本地模型训练、同态加密聚合及RNN异常检测，实现98%以上威胁检测准确率并降低20%资源消耗，提供可扩展隐私保护方案。
2025-02-14 cs.CR cs.LG cs.NI
IoT Federated Blockchain Learning at the Edge
Imperial College London（伦敦帝国理工学院）
提出基于区块链的去中心化IoMT联邦学习框架，在边缘设备上实现隐私保护下的在线协作训练、完全私有定制及网络训练任务分配，克服集中式云架构局限。
2023-04-06 cs.CR cs.LG
In-network Attack Detection with Federated Deep Learning in IoT Networks: Real Implementation and Analysis
School of IT Deakin University（IT学院 德坎大学）；School of Computer Science and Engineering（计算机科学与工程学院）；Vellore Institute of Technology（维洛雷理工学院）
本文提出一种轻量级自编码器基的异常检测框架，用于资源受限边缘设备部署，实现实时检测并减少数据传输。通过联邦学习在分布式设备上协同训练模型，有效识别网络攻击，降低通信开销并保持性能。
2026-03-23 cs.CR cs.LG
FedBlockHealth: A Synergistic Approach to Privacy and Security in IoT-Enabled Healthcare through Federated Learning and Blockchain
University of Technology Sydney（悉尼科技大学）；University of Haripur（哈里普尔大学）；Thapar University Patiala（帕蒂亚拉塔帕尔大学）；Abdul Wali Khan University（阿卜杜勒·瓦利·汗大学）
本文提出FedBlockHealth框架，融合联邦学习与区块链，通过公钥密码保障本地模型更新安全，在EMNIST数据集上验证了物联网医疗场景下的隐私保护、安全性与计算效率。
2023-04-16 cs.AI cs.CR cs.LG
LiFeChain: Lightweight Blockchain for Secure and Efficient Federated Lifelong Learning in IoT
The University of Hong Kong（香港大学）；Simon Fraser University（西蒙菲莎大学）
LiFeChain通过轻量区块链技术，结合PoMC共识与Seg-ZA仲裁，有效提升物联网中联邦终身学习的安全性与效率，减少延迟和存储开销。
2026-03-30 cs.CR cs.DC
FedMint: Intelligent Bilateral Client Selection in Federated Learning with Newcomer IoT Devices
Lebanese American University（黎巴嫩美国大学）；Polytechnique Montréal（蒙特利尔理工学院）；Khalifa University（哈利法大学）；Zayed University（扎耶德大学）；New York University（纽约大学）；Mohammad Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
联邦学习（Federated Learning，FL）是一种新的分布式隐私保护学习范式，它支持多个参与者（例如，物联网设备）用于训练机器学习模型。然而，选择将有助于这种合作培训的参与者是非常具有挑战性的。采用随机选择策略会带来很大的问题，因为数据质量以及参与者之间的计算和通信资源存在异质性。虽然在文献中已经提出了几种方法来克服随机选择的问题，这些方法中的大多数遵循单边选择策略。事实上，他们的选择策略只基于联邦服务器端，而忽略了过程中客户机设备的利益。为了克服这个问题，我们在本文FedMint，智能客户端选择方法联邦学习物联网设备上使用博弈论和自举机制。我们的解决方案包括以下设计：（1）用于客户端IoT设备和联合服务器的偏好功能，以允许它们根据诸如准确性和价格之类的若干因素对彼此进行排名，（2）在其设计中考虑双方偏好的智能匹配算法，以及（3）利用多个联合服务器的协作以便为新连接的IoT设备分配初始准确度值的自举技术。根据我们的模拟结果，我们的策略在最大化客户端设备的收入和全球联邦学习模型的准确性方面超过了VanillaFL选择方法。
2022-10-31 cs.CR cs.DC cs.GT
OptiFLIDS: Optimized Federated Learning for Energy-Efficient Intrusion Detection in IoT
Laboratory of Research in Informatics (LaRI), Faculty of Sciences, Ibn Tofail University, Kenitra, Morocco（信息研究实验室（LaRI）、科学学院、伊本·托法尔大学、肯特拉，摩洛哥）
针对物联网入侵检测中联邦学习面临的数据异构和高能耗问题，提出OptiFLIDS方法，通过本地剪枝和定制聚合，在保持检测性能的同时提升能源效率。
2025-10-13 cs.AI cs.CR cs.LG
Studying the Robustness of Anti-adversarial Federated Learning Models Detecting Cyberattacks in IoT Spectrum Sensors
University of Murcia（穆尔西亚大学）；University of Zurich UZH（苏黎世大学（UZH））；armasuisse Science & Technology（瑞士国防科技与采购局科技处）
设备指纹识别与机器和深度学习（ML/DL）相结合，在检测针对资源受限频谱传感器管理的数据的网络攻击时表现出良好的性能。然而，训练模型所需的数据量以及此类场景的隐私问题限制了集中式ML/DL方法的适用性。联邦学习（FL）通过创建联合和隐私保护模型来解决这些限制。然而，FL容易受到恶意参与者的攻击，对抗攻击对检测频谱传感器上的频谱感知数据伪造（SSDF）攻击的联邦模型的影响尚未得到研究。为了应对这一挑战，这项工作的第一个贡献是创建一个新的数据集适合FL和建模的行为（CPU，内存，或文件系统的使用，等等）的资源受限的频谱传感器受不同的SSDF攻击。第二个贡献是一个实验池，分析和比较联邦模型的鲁棒性，根据i）三个系列的频谱传感器，ii）八个SSDF攻击，iii）四个场景处理无监督（异常检测）和监督（二进制分类）联邦模型，iv）高达33%的恶意参与者实施数据和模型中毒攻击，以及v）四个聚合函数作为抗对抗机制以增加模型的鲁棒性。
2022-01-31 cs.AI cs.CR
F-ACVAE: A Federated Adaptive Conditional Variational Auto-Encoder for Privacy-Preserving Intrusion Detection in IoT Networks
Department of Computer Engineering, Ne. C., Islamic Azad University, Neyshabur, Iran（伊朗奈什巴尔伊斯兰Azad大学计算机工程系）
针对物联网设备网络中入侵检测面临的挑战，提出F-ACVAE框架，通过选择性参数聚合实现跨设备协作训练，引入新策略增强稳定性，实验表明其检测性能高且通信开销低。
2026-07-07 cs.CR cs.LG
Federated Deep Learning for Intrusion Detection in IoT Networks
Cardiff University（卡迪夫大学）；Toshiba Europe Ltd.（东芝欧洲有限公司）
针对物联网入侵检测中的数据隐私和异质性问题，本文基于 TON-IoT 数据集评估了联邦学习入侵检测系统，并通过预训练初始全局模型使 F1 分数提升超 20%。
2023-08-04 cs.CR cs.LG
CHRONOS: A Hardware-Assisted Phase-Decoupled Framework for Secure Federated Learning in IoT
Faculty of Information Technology, Van Lang School of Technology, Van Lang University（范浪大学技术学院信息技术系）
CHRONOS通过硬件辅助分离加密设置与训练阶段，提升物联网联邦学习的安全性，减少聚合延迟并抵御梯度 inversion 攻击。
2026-07-28 cs.CR cs.DC
FLEAM: A Federated Learning Empowered Architecture to Mitigate DDoS in Industrial IoT
分布式拒绝服务（DDoS）攻击对工业物联网（IIoT）是有害的，因为它会在网络对象上引发严重的资源匮乏。最近的动态表明，对于使用僵尸网络的攻击者来说，这是一项利润丰厚的业务。目前的集中缓解解决方案集中在受害者一方的检测和缓解，对黑客攻击成本和维护者的合作关注不够。因此，我们提出了联邦学习授权缓解架构（FLEAM），以倡导联合防御，招致更高的黑客费用。FLEAM将FL和雾计算相结合，以减少缓解时间并提高检测准确性，使防御者能够共同对抗僵尸网络。我们的综合评估显示，攻击费用是传统解决方案的2.5倍，缓解延迟降低约72%，准确性平均提高47%。
2021-12-10 cs.CR cs.IT math.IT
Enhancing IoT Security Against DDoS Attacks through Federated Learning
Carleton University（卡尔顿大学）；Institute of Science and High Technology and Environmental Science（科学与高技术及环境科学研究所）
针对物联网DDoS攻击，提出基于联邦学习的检测框架，利用深度自编码器降维与重训练、部分选择技术，在非IID数据集N-BaIoT上验证FedAvgM优于FedAvg，实现隐私保护下的高效攻击检测。
2024-03-16 cs.AI cs.CR cs.LG
A review of Federated Learning in Intrusion Detection Systems for IoT
University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））
入侵检测系统正在发展成为智能系统，执行数据分析，搜索其环境中的异常。深度学习技术的发展为构建更复杂、更有效的威胁检测模型打开了大门。然而，在大多数物联网设备中，训练这些模型在计算上可能是不可行的。目前的方法依赖于从所有各方接收数据的强大的集中式服务器，这违反了基本的隐私限制，并由于巨大的通信开销而大大影响了响应时间和运营成本。为了缓解这些问题，联邦学习成为一种有前途的方法，其中不同的代理协作训练共享模型，既不向其他人暴露训练数据，也不需要计算密集型的集中式基础设施。本文主要研究联邦学习方法在入侵检测领域中的应用。这两种技术进行了详细描述，目前的科学进展进行了审查和分类。最后，本文强调了在最近的工作中存在的局限性，并提出了一些未来的发展方向，这项技术。
2022-04-29 cs.CR cs.LG
FedMADE: Robust Federated Learning for Intrusion Detection in IoT Networks Using a Dynamic Aggregation Method
针对联邦学习在物联网入侵检测中面临的数据异构、类别不平衡及鲁棒性问题，提出动态聚合方法FedMADE，通过按流量聚类和按贡献聚合提升少数类攻击准确率，兼具抗投毒性和低开销。
2024-08-13 cs.CR cs.NI
Federated Learning Cost Disparity for IoT Devices
The Australian National University（澳大利亚国立大学）；Monash University（莫纳什大学）
联邦学习（FL）通过避免在能量、时间和隐私方面的数据汇集成本来促进物联网（IoT）设备上的预测模型训练。我们将物联网设备实现的学习增益与其参与成本建模为其效用。由于设备的异构性，局部模型学习成本及其质量（可能是时变的）因设备而异。我们发现，这种变化导致效用不公平，因为设备之间共享相同的全局模型。默认情况下，主机不知道设备的本地模型计算和传输成本，因此无法解决效用不公平问题。此外，设备可以利用主设备处的这种知识缺乏来有意地减少其支出，从而增强其效用。我们建议在每一轮中根据设备的贡献和支出来控制与设备共享的全局模型的质量。这是通过采用差分隐私来减少基于学习贡献的全局模型泄露来实现的。此外，我们为每个设备设计自适应计算和传输策略，以控制其支出，以减轻效用不公平。我们的研究结果表明，所提出的方案相比，基准方案的设备的能源成本的标准偏差降低了99%，而设备的训练损失的标准偏差在0.103左右变化。
2022-04-17 cs.CR cs.LG
Hybrid Deep Learning-Federated Learning Powered Intrusion Detection System for IoT/5G Advanced Edge Computing Network
本文提出一种融合CNN、BiLSTM和自编码器的联邦学习入侵检测系统，在UNSW-NB15上取得AUC 99.59%和F1 97.36%，推理时间仅0.0476毫秒，满足5G-Advanced边缘部署的URLLC要求。
2025-09-19 cs.CR cs.LG cs.NI
Federated Learning for Intrusion Detection in IoT Security: A Hybrid Ensemble Approach
IIT Bombay（印度理工学院孟买分校）
物联网（IoT）在智能城市、医疗保健、供应链和交通运输等各个领域的关键作用使其成为恶意攻击的目标。过去在这方面的工作集中在集中式入侵检测系统（IDS），假设存在一个中央实体来执行数据分析和识别威胁。然而，这样的IDS可能并不总是可行的，主要是由于跨多个源的数据传播和在中央节点处的收集可能是昂贵的。此外，早期的工作主要集中在提高真阳性率（TPR），而忽略了假阳性率（FPR），这对于避免系统不必要的停机时间也是至关重要的。在本文中，我们首先提出了一种基于混合集成模型的入侵检测系统架构，命名为PHEC，它提供了改进的性能相比，国家的最先进的架构。然后，我们将此模型调整为联邦学习框架，该框架执行本地训练并仅聚合模型参数。接下来，我们提出了集中式和联邦设置中的噪声容忍PHEC，以解决标签噪声问题。所提出的想法使用分类器，使用加权凸代理损失函数。KNN分类器对噪声数据的自然鲁棒性也用于所提出的架构。在四个来自各种安全攻击的基准数据集上的实验结果表明，我们的模型在噪声和干净数据上保持低FPR的同时实现了高TPR。此外，他们还证明了混合集成模型在联邦设置中的性能接近于集中式设置。
2021-06-25 cs.AI cs.CR cs.LG
DP2Guard: A Lightweight and Byzantine-Robust Privacy-Preserving Federated Learning Scheme for Industrial IoT
Southeast University（东南大学）；National University of Singapore（新加坡国立大学）；Huazhong University of Science and Technology（华中科技大学）；Jinan University（暨南大学）；Queensland University of Technology（昆士兰科技大学）；The University of Hong Kong（香港大学）；Nanyang Technological University（南洋理工大学）
DP2Guard通过轻量梯度掩码和混合防御策略提升工业物联网中联邦学习的隐私和鲁棒性，减少通信与计算开销，有效防御四种高级中毒攻击。
2026-05-07 cs.CR cs.DC
SecureDyn-FL: A Robust Privacy-Preserving Federated Learning Framework for Intrusion Detection in IoT Networks
Sir Syed CASE Institute of Technology（Sir Syed CASE 理工学院）；Habib University（哈比布大学）；Yeunganam University（延世南大学）；University of Nottingham Ningbo China（诺丁汉大学宁波分校）；Korea University（高丽大学）
SecureDyn-FL通过动态梯度审计、安全聚合和个性化学习，提升物联网入侵检测的隐私保护和鲁棒性。
2026-01-10 cs.CR cs.NI
One-Shot Secure Aggregation: A Hybrid Cryptographic Protocol for Private Federated Learning in IoT
Department of Computer Science, University of Arkansas at Little Rock, USA（计算机科学系，阿肯色州立大学拉斐特分校）
Hyb-Agg通过结合多密钥CKKS加密和ECDH加法掩码，实现轻量且高效的隐私保护联邦学习，在物联网中解决通信瓶颈问题。
2025-11-28 cs.AI cs.CR
FedP3E: Privacy-Preserving Prototype Exchange for Non-IID IoT Malware Detection in Cross-Silo Federated Learning
针对IoT恶意软件检测中数据异构与隐私问题，提出联邦学习框架FedP3E，通过高斯混合模型构建类原型并加噪交换，结合SMOTE增强少数类，在不共享原始数据下有效缓解统计异构性。
2025-07-09 cs.AI cs.CR
Blockchain-based Federated Learning for Device Failure Detection in Industrial IoT
设备故障检测是工业物联网（IIoT）中最基本的问题之一。然而，在传统的IIoT设备故障检测中，客户端设备需要将原始数据上传到中央服务器进行模型训练，这可能导致敏感业务数据的泄露。因此，在本文中，为了确保客户端数据隐私，我们提出了一种基于区块链的联邦学习方法，用于IIoT中的设备故障检测。首先，我们提出了一个基于区块链的联邦学习系统的平台架构，用于IIoT中的故障检测，该系统可以实现客户端数据的可验证完整性。在该架构中，每个客户端定期创建一个Merkle树，其中每个叶节点代表一个客户端数据记录，并将树根存储在区块链上。此外，为了解决IIoT故障检测中的数据异构性问题，我们提出了一种新的质心距离加权联邦平均（CDW\_FedAvg）算法，该算法考虑了每个客户端数据集的正类和负类之间的距离。此外，为了激励客户参与联邦学习，根据本地模型训练中使用的客户数据的大小和质心距离，设计了一种基于智能触点的激励机制。与我们的行业合作伙伴一起实现了所提出的架构的原型，并在可行性，准确性和性能方面进行了评估。结果表明，该方法是可行的，具有令人满意的精度和性能。
2020-10-18 cs.CR cs.DC cs.SE
An Experiment Study on Federated LearningTestbed
虽然物联网（IoT）可以通过将模型训练外包到云上来从机器学习中受益，但用户数据暴露给不受信任的云服务提供商可能会对用户隐私构成威胁。最近，联邦学习被提出作为用于物联网的隐私保护机器学习（PPML）的方法，但其实用性仍不清楚。本文对一个基于PySyft的联邦学习框架的效率和隐私性能进行了评估，PySyft是一个用于分布式深度学习的Python库。据观察，由于通信开销，该框架的训练速度明显慢于集中式方法。同时，该框架在网络层面上对潜在的中间人攻击具有一定的脆弱性。该报告作为PPML性能分析的起点，并为PPML框架的发展提出了未来的方向。
2021-03-19 cs.CR cs.NI
Privacy Threats and Countermeasures in Federated Learning for Internet of Things: A Systematic Review
School of Computing, University of Kent（肯特大学计算机学院）
本文系统综述了物联网环境中联邦学习的隐私威胁与防御措施，指出需开发轻量级、结合区块链等新兴技术的隐私保护策略，以应对推理、投毒、重放及模型窃取等攻击。
2024-07-25 cs.AI cs.CR
Evaluating Federated Learning for Intrusion Detection in Internet of Things: Review and Challenges
University of Murcia（穆尔西亚大学）；European Commission, Joint Research Centre（欧盟委员会联合研究中心）
将机器学习（ML）技术应用于著名的入侵检测系统（IDS）是通过有效和高效的检测过程来应对日益复杂的网络安全攻击的关键。在物联网（IoT）的背景下，大多数支持ML的IDS方法使用集中式方法，其中IoT设备与数据中心共享其数据以进行进一步分析。为了减轻与集中式方法相关的隐私问题，近年来，联邦学习（FL）的使用在不同领域引起了极大的兴趣，包括医疗保健和交通系统。然而，基于FL的物联网入侵检测系统的开发还处于起步阶段，仍然需要各个领域的研究工作，以确定在现实场景中部署的主要挑战。在这个方向上，我们的工作评估了基于多类分类器的FL启用的IDS方法，该方法考虑了物联网场景中检测不同攻击的不同数据分布。特别是，我们使用三种不同的设置，这些设置是通过根据物联网设备的IP地址和攻击类型对最近的ToN\_IoT数据集进行分区而获得的。此外，我们评估不同的聚合功能的影响，根据这样的设置，使用最近的IBMFL框架FL实现。此外，我们确定了一组挑战和未来的方向，根据现有的文献和我们的评估结果的分析。
2021-08-02 cs.CR cs.LG cs.NI
Edge-assisted U-Shaped Split Federated Learning with Privacy-preserving for Internet of Things
Beijing Wuzi University（北京物资学院）；Beijing University of Technology（北京工业大学）
针对物联网设备算力不足、数据传输易拥塞及隐私风险问题，提出边缘辅助U型拆分联邦学习框架EUSFL，结合联邦学习与拆分学习优势，搭配LabelDP噪声机制，在保障隐私的同时提升训练效率、降低设备开销。
2023-11-08 cs.AI cs.CR cs.LG
A Review of Privacy-preserving Federated Learning for the Internet-of-Things
Keele University（基尔大学）
物联网（IoT）产生大量数据，其中大部分可归因于个人的活动和行为。收集个人数据并在中央位置对这些数据执行机器学习任务，会给个人带来重大的隐私风险，也会给将这些数据传输到云端带来挑战。然而，基于机器学习，特别是深度学习的分析可以从大量数据中受益匪浅，以开发高性能预测模型。这项工作回顾了联邦学习作为一种方法，用于对分布式数据执行机器学习，其目标是保护用户生成的数据的隐私，以及减少与数据传输相关的通信成本。我们调查了各种各样的论文，涵盖了通信效率，客户端异构性和隐私保护方法，这些方法对于物联网环境中的联邦学习至关重要。在这篇综述中，我们确定了应用于联邦学习的不同方法的优点和缺点，最后，我们概述了隐私保护联邦学习研究的未来方向，特别是专注于物联网应用。
2020-09-08 cs.CR cs.LG stat.ML
An Intelligent Mechanism for Monitoring and Detecting Intrusions in IoT Devices
University of Coimbra（科英布拉大学）；Instituto Pedro Nunes（佩德罗·努内斯研究所）
本研究提出一种基于主机的入侵检测系统，结合联邦学习与多层感知机神经网络，以高准确率检测IoT设备网络攻击并增强数据隐私保护。
2023-06-23 cs.AI cs.CR cs.DC
Warmup and Transfer Knowledge-Based Federated Learning Approach for IoT Continuous Authentication
École de Technologie Supérieure (ÉTS)（高等技术学院（ÉTS））；Universite de Quebec a Trois-Rivieres (UQTR)（魁北克大学三河分校（UQTR））；Lebanese American University（黎巴嫩美国大学）；New York University（纽约大学）；Mohammad Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
连续行为身份验证方法通过允许个人在访问设备时验证其唯一身份来添加独特的安全层。通过在与移动或物联网（IoT）设备交互时监控用户的行为，保持会话真实性现在是可行的，从而使凭据盗窃和会话劫持无效。这种技术通过集成人工智能和机器学习（ML）的力量而成为可能。大多数文献都集中在通过将用户数据传输到外部服务器来训练用户的机器学习，这会使私人用户数据暴露于威胁。在本文中，我们提出了一种新的联邦学习（FL）的方法，保护匿名的用户数据和维护他的数据的安全性。我们提出了一个热身的方法，提供了一个显着的准确性增加。此外，我们利用基于特征提取的迁移学习技术来提高模型的性能。我们基于四个数据集：MNIST，FEMNIST，CIFAR-10和UMDAA-02-FD进行了广泛的实验，结果显示用户身份验证的准确性显著提高，同时维护了用户隐私和数据安全。
2022-11-10 cs.AI cs.CR cs.DC
A Robust Federated Learning Approach for Combating Attacks Against IoT Systems Under non-IID Challenges
Department of Computer Science, University of Western Ontario（西蒙弗雷泽大学计算机科学系）；Department of Electrical and Computer Engineering, Idaho State University（爱达荷州立大学电气与计算机工程系）；Center for Advanced Energy Studies (CAES)（先进能源研究中心）
本文提出了一种针对物联网系统下非独立同分布挑战的鲁棒联邦学习方法，通过分析FedAvg、FedProx和Scaffold在不同数据分布下的表现，旨在提升对抗物联网攻击的能力。
2025-11-20 cs.AI cs.CR cs.LG
FBID: Adaptive Personalized Federated Learning for Robust Out-of-Distribution Attack Detection in IoT Networks
UTS-HCMUT JTIRC；Ho Chi Minh City University of Technology (HCMUT)（胡志明市技术大学（HCMUT））；Vietnam National University Ho Chi Minh City (VNU-HCM)（越南国家大学胡志明市分校（VNU-HCM））；University of Technology Sydney（悉尼科技大学）
针对异构物联网环境中现有PFL方法易过度个性化导致OOD攻击检测性能下降的问题，提出FBID框架，通过服务器端上下文多臂老虎机与信任混合机制，提升OOD检测率、F1值及对未知攻击的鲁棒性。
2026-08-06 cs.AI cs.CR cs.LG
Federated Learning with Blockchain-Enhanced Machine Unlearning: A Trustworthy Approach
Faculty of Data Science, City University of Macau（澳门大学数据科学学院）；School of Computer Science, University of Technology Sydney（悉尼科技大学计算机科学学院）
本文提出一种结合区块链与联邦学习的框架，通过不可篡改的记录和认证机制解决物联网环境中机器遗忘学习缺乏可验证性的信任问题，同时优化数据管理以保障系统效率与隐私安全。
2024-05-27 cs.AI cs.CR cs.DC
Federated PCA on Grassmann Manifold for IoT Anomaly Detection
School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）；University of Pennsylvania（宾夕法尼亚大学）；Kyung Hee University（庆熙大学）
针对传统入侵检测标注需求高、无监督方法部署难的问题，提出基于PCA和ADMM的联邦无监督异常检测框架FedPCA及两种算法，性能媲美非线性基线且通信内存效率更优，适用于资源受限的IoT网络安全防护。
2024-07-10 cs.AI cs.CR cs.DC
Differentially Private Federated Learning for Resource-Constrained Internet of Things
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Air Force Research Laboratory（空军研究实验室）
随着物联网（IoT）时代具有内置传感器、互联网连接和可编程计算能力的智能设备的激增，在网络边缘产生了大量数据。联邦学习能够分析来自一组分布式智能设备的大量数据，而无需将数据上传到中心位置。然而，常用的联邦学习算法是基于随机梯度下降（SGD）的，并且由于其高通信资源要求而不适合于资源受限的IoT环境。此外，智能设备上敏感数据的隐私已成为一个关键问题，需要严格保护。本文提出了一种新的联邦学习框架DP-PASGD，用于从物联网中资源受限的智能设备存储的数据中有效地训练机器学习模型，同时保证差分隐私。将DP-PASGD的最优方案设计转化为一个优化问题，在满足资源代价和隐私损失限制的前提下，最大化学习性能，并基于DP-PASGD的收敛性分析，提出了一种近似求解方法，有效地解决了该优化问题.基于真实数据集的数值结果验证了DP-PASGD格式的有效性。
2020-03-28 cs.CR cs.LG stat.ML
