-
题名基于自适应联邦学习的边端协同网络异常流量检测模型
- 1
-
-
作者
陈涛
薛皓铭
马宇翔
管浩琪
-
机构
河南大学计算机与信息工程学院
河南大学国际(欧美)理工学院
-
出处
《计算机应用研究》
北大核心
2025年第11期3461-3467,共7页
-
基金
河南省优秀青年科学基金资助项目(252300421230)
河南省重点研发专项资助项目(241111212800)。
-
文摘
随着人工智能发展,边端协同网络在智能决策与本地数据处理中的应用日益广泛。然而,边端协同网络存在隐私泄露、计算资源受限和数据不平衡等问题。针对上述问题,提出一种基于自适应联邦学习的异常流量检测模型,在保护隐私的同时提升检测性能。首先,提出一种基于方差的特征选择算法以降低计算开销;其次,提出一种基于对比生成式对抗网络,缓解数据不平衡问题;再次,构建自适应联邦学习更新策略,通过条件策略网络自动分离全局与本地特征信息,从而增强模型在异构数据下的泛化能力。最后,设计一种基于卷积神经网络的轻量级编码器,实现异常流量检测。实验结果表明,所提方法能够有效检测边端协同网络异常流量,提高异常检测准确率。本文源代码链接:https://github.com/henulab/AFL-ATD。
-
关键词
边端协同网络
联邦学习
对比生成式对抗网络
异常流量检测
-
Keywords
edge-end collaborative network
federated learning
contrastive generative adversarial network
abnormal traffic detection
-
分类号
TP393.08
[自动化与计算机技术—计算机应用技术]
-
