研究单位： 德勤大学信息技术学院
研究背景与问题描述： 联邦学习在物联网网络中的入侵检测系统面临严重类别不平衡、非独立同分布数据和高通信开销等挑战。这些问题导致传统联邦学习方法在实际网络流量分类中的性能下降。
解决方案： 提出了一种个性化联邦入侵检测系统框架Sentinel，通过双模型架构，在每个客户端部署个性化的教师模型和轻量级共享学生模型，以此平衡深度本地适应和全局模型共识，并通过双向知识蒸馏、多方面特征对齐和类别平衡损失函数等机制增强其鲁棒性。 #学术分享 #论文解读 #人工智能
实验： 实验表明，Sentinel在IoTID20和5GNIDD基准数据集上的表现显著优于现有的联邦学习方法，特别是在极端数据异质性的情况下。
意义与影响： Sentinel解决了联邦学习在入侵检测系统应用中的主要障碍，提高了系统的性能和效率，同时保持了隐私保护。
研究背景与问题描述： 联邦学习在物联网网络中的入侵检测系统面临严重类别不平衡、非独立同分布数据和高通信开销等挑战。这些问题导致传统联邦学习方法在实际网络流量分类中的性能下降。
解决方案： 提出了一种个性化联邦入侵检测系统框架Sentinel，通过双模型架构，在每个客户端部署个性化的教师模型和轻量级共享学生模型，以此平衡深度本地适应和全局模型共识，并通过双向知识蒸馏、多方面特征对齐和类别平衡损失函数等机制增强其鲁棒性。 #学术分享 #论文解读 #人工智能
实验： 实验表明，Sentinel在IoTID20和5GNIDD基准数据集上的表现显著优于现有的联邦学习方法，特别是在极端数据异质性的情况下。
意义与影响： Sentinel解决了联邦学习在入侵检测系统应用中的主要障碍，提高了系统的性能和效率，同时保持了隐私保护。
