基于联邦全局知识蒸馏的异常网络入侵检测方法

来源：计算机技术与发展杂志2025年第07期北京时间：

作者：石迎澳;李润知;姬怡

单位：1. 郑州大学 网络空间安全学院,河南 郑州 450001;2. 郑州大学 网络管理中心,河南 郑州 450001

摘要：在网络入侵检测领域,联邦学习(FL)作为一种保护数据隐私的分布式处理方法受到了广泛关注。 然而,由于参与节点间的数据异构性,传统的联邦学习方法在联合训练过程中往往难以实现高性能。 为了解决这一问题,该文提出了一种改进的联邦学习方法,即基于联邦全局知识蒸馏的异常网络入侵检测方法(FLGKD-ANIDS)。 该方法在中央服务器中设置了一个缓冲区,用于缓存客户端上传的多轮模型参数。 进一步地,这些缓存的参数被用于生成包含多轮全局知识的教师模型参数,指导客户端侧的知识蒸馏过程。 这一机制使得客户端能够在注入全局知识特征的情况下训练本地数据。实验在两个公开数据集 UNSW-NB15 和 CIC-IDS2017 上进行,结果显示 FLGKD-ANIDS 在各种数据异构场景下显著提升了模型性能,其性能更接近于集中训练模型的水平。

关键词：入侵检测系统;联邦学习;数据隐私;知识蒸馏;数据异构