边缘入侵检测模型

通信开销倍降

分割联邦与对抗训练协同，边缘设备仅更新嵌入层，云端负责高维语义学习，显著提升检测精度并降低开销。

Shen, Hang · Qi, Liu · Fang, Li · Wang, Tianjiang Jing · Dai, Yuanfei · 白光伟

IEEE Internet of Things Journal 2026

技术优势

利用对抗训练提升泛化

在边缘端集成条件生成对抗网络，以BERT为引导让生成器适应本地流量分布，增强样本覆盖与特征表达，提升检测鲁棒性。

多注意力聚合稳定收敛

云端联邦聚合时采用多头注意力机制对不同模型更新进行差异化加权，确保分布对齐和训练稳定。

应用场景

• 边缘安全：在边缘设备上直接部署低开销入侵检测，保护本地网络免受攻击。
• 联邦学习系统：利用分割联邦架构实现隐私保护的分布式入侵检测模型训练。
• 边缘AI推理：在计算资源受限的边缘设备上执行高效的AI推理以进行实时检测。
• 入侵检测：提供高精度、低通信成本的网络入侵检测能力。