联盟链下基于联邦学习聚合算法的入侵检测机制优化研究

作     者：彭翰中 张珠君 闫理跃 胡成林 PENG Hanzhong;ZHANG Zhujun;YAN Liyue;HU Chenglin

作者机构：中国科学院信息工程研究所北京100085 中国科学院大学网络空间安全学院北京100049 中国电子技术标准化研究院北京100007 

出 版 物：《信息网络安全》 (Netinfo Security)

年 卷 期：2023年第23卷第8期

页      面：76-85页

学科分类：08[工学] 0839[工学-网络空间安全] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划[2019YFB1005204] 

主　　题：联盟链 入侵检测系统 联邦学习 自适应聚合算法 

摘      要：近年来,联邦学习备受关注,因为它能在保护用户隐私的前提下训练和聚合入侵检测模型。联盟链作为一种高效且可控的分布式账本技术,与联邦学习技术结合被应用于多节点入侵检测场景。然而,传统的联盟链下基于联邦学习聚合入侵检测模型的算法存在缺陷,无法根据网络环境动态调整聚合算法参数,导致通信成本过高。因此,文章根据联盟链网络环境设计自适应联邦学习聚合算法,动态调整入侵检测模型聚合间隔,以平衡模型准确度与通信成本。理论分析和实验结果表明,相较于传统联邦学习聚合算法,该入侵检测模型的聚合过程在保证了模型准确度的前提下降低了系统通信成本,提高了模型聚合效率,具有良好的应用前景。