| 基于StatAvg的网络安全数据共享策略研究 | |
| 所属分类：技术论文 | |
| 上传者：wwei | |
| 文档大小：1896 K | |
| 标签： 联邦学习 入侵检测系统 数据异质性 | |
| 所需积分：0分积分不够怎么办？ | |
| 文档介绍：随着物联网（IoT）和人工智能（AI）技术的快速发展，网络安全威胁日益复杂化，传统的入侵检测系统（IDS）面临巨大挑战。联邦学习（FL）作为一种新兴的隐私保护分布式学习方案，能够有效地解决数据隐私和集中式训练的矛盾。然而，FL在实际应用中常常遇到数据非独立同分布（non-iid）的问题，这严重影响了全局模型的性能。提出了一种名为StatAvg的统计平均方法，旨在缓解FL中的数据异质性问题。StatAvg通过让FL客户端共享本地数据统计信息（如均值和方差），服务器聚合生成全局统计信息用于数据标准化，从而改善模型收敛。主实验在TON-IoT和CIC-IoT-2023两个网络安全数据集上进行，StatAvg的性能显著优于现有的FedAvg、FedLN和FedBN等方法，平均提升了检测准确率和F1分数4%~17%。为进一步验证方法的泛化能力，在CIFAR-10（图像分类）、FEMNIST（手写识别）和Sentiment140（情感分析）3个不同领域的数据集上进行了补充实验，结果表明StatAvg在所有任务上均取得稳定提升（2.26%~6.29%）。这一方法不仅提高了模型的泛化能力，还增强了网络数据的安全共享，为FL在IDS领域的应用提供了新的解决方案，具有重要的理论和实践意义。 | |
| 现在下载 | |
| VIP会员，AET专家下载不扣分；重复下载不扣分，本人上传资源不扣分。 | |
Copyright © 2005-2024 华北计算机系统工程研究所版权所有 京ICP备10017138号-2