FSFormer入侵检测模型

低概率攻击检出率跃升

为车联网设计的联邦学习-边缘云架构，用特征注意力与路由模块，让入侵检测更准更深。

Lai, Qifeng · Chen, Xiong · Chen, Jian · 王为 · 陈俊鑫 · Gadekallu, Thippa Reddy · Ming, Cai · 胡希平

IEEE Transactions on Consumer Electronics 2023

参数信息

优于基线模型数

5

技术优势

低概率攻击也能抓住

采用Feature Attention机制搜索并提升重要特征，解决数据不平衡导致的漏检问题。

参数更少但更深

用Routing模块替换前馈网络，构建更深但参数更少的网络，提高检测性能。

隐私有保障

FL-EC架构中，移动用户先加密数据再上传边缘端训练，确保隐私和高效传输。

应用场景

• 车联网安全：为车联网通信提供实时入侵检测，防止黑客攻击危及驾驶安全。
• 联邦学习：用联邦学习架构在保护车辆数据隐私的同时训练检测模型。
• 异常检测：通过特征注意力机制提升低概率攻击等异常行为的检测能力。