一种面向网络入侵检测的异构联邦学习双向知识蒸馏方法

摘要

针对网络入侵检测系统中联邦学习应用场景下模型结构异构与数据类别分布不均衡并存的问题，传统参数聚合或简单知识蒸馏方法难以兼顾全局模型性能与本地模型适应性，开展了异构联邦学习条件下的高效知识融合方法研究，提出一种面向网络入侵检测的联邦类别权重双向知识蒸馏方法 FedCKD。在服务器端全局聚合阶段，引入类别级可学习权重矩阵，对不同客户端在各攻击类别上的预测结果进行加权蒸馏，实现异构模型输出的精细化融合；在客户端本地更新阶段，基于各类别F1分数构建注意力蒸馏机制，在全局模型指导下强化少数类与难分类别的特征学习能力，从而缓解了类别不均衡对模型性能的影响。该方法在CICIDS2017和CIDDS-001两个公开网络入侵检测数据集上的实验结果表明，与FedAvg、 FedMD、FedHe和HFedCKD等方法相比，FedCKD在全局模型层面的宏平均F1分数分别提升约0.012～0.045，在客户端本地模型层面对少数类攻击的F1分数提升约0.030～0.086，同时保持了稳定的收敛特性与可接受的计算开销。研究结果表明，FedCKD方法能够在无需统一模型结构的条件下，实现异构联邦学习场景中对多类别攻击的有效建模，适用于存在模型异构和类别不均衡特征的网络入侵检测任务。

关键词

网络入侵检测系统 / 联邦学习 / 模型异构 / 知识蒸馏