联邦连续表示学习

平均准确率提升13.3%–31.5%

面向工业物联网动态数据流，持续捕获新型攻击的有效特征表示，缓解灾难性遗忘并降低客户端数据异构影响。

Zhao, Zhang · 张勇 · Hao, Li · Shenbo, Liu · Wei, Chen · Zhigang, Zhang · 唐立军

Engineering Applications of Artificial Intelligence 2024

参数信息

平均准确率提升范围

13.3%–31.5% %

技术优势

平均精度提升13.3%–31.5%

实验结果表明，在真实能源入侵检测数据集上，所提方法在平均准确率方面优于现有最佳方法13.3%–31.5%。

缓解灾难性遗忘

所设计的监督对比损失和全局信息感知正则化损失可缓解对先前观察到的攻击的灾难性遗忘。

降低客户端数据异构影响

全局信息感知正则化损失能够减轻客户端之间的数据异构性。

有效记忆回放

基于原型方差的记忆更新策略可确保有效的记忆回放数据。

应用场景

• 工业物联网安全：持续学习新型攻击特征，提升IIoT入侵检测系统对动态威胁的适应能力。
• 工业控制系统：针对工业控制系统网络流量，降低模型在客户端异构环境下的精度损失。
• 网络安全监测：从动态流量数据流中持续捕获有效表示，直接服务于网络安全监测任务。
• 智能安全系统：提供可进化的入侵检测模型，使智能安全系统能够适应不断变化的攻击模式。