基于联邦学习和自注意力的工业物联网入侵检测

作者：王军; 王华琳; 黄博文; 付强; 刘俊

来源：吉林大学学报（工学版）, 2022, 1-9.

DOI：10.13229/j.cnki.jdxbgxb20221027

• 计算机应用
• 工业物联网
• 入侵检测
• 联邦深度学习
• 自注意力

近年来工业物联网发展迅速，在提高工业生产效率的同时也加大了工业网络的攻击面，针对工业物联网网络拓扑结构相对固定、特征低维、数据分布不均衡且相关性低，导致工业分布式环境下入侵检测模型训练效果差的问题。本文提出了一种基于联邦深度学习算法的工业物联网入侵检测模型——Fedformer。首先引入并改进Transformer网络模型的编码器结构并嵌合卷积神经网络和门控循环单元，利用注意力机制为工业物联网构建了入侵检测模型；其次将检测模型融合联邦学习框架，允许多个工业物联网共同构建一个全面的入侵检测模型。在保护本地数据隐私的前提下，提高对工业物联网网络攻击的检测准确率并降低误报率。实验结果表明，在工业网络环境下Fedformer的检测准确率达到98.09%，误报率降低到8.31%。

• 单位
  沈阳化工大学