Chirag Jitendra Chandnani · Vedik Agarwal · Shlok Chetan Kulkarni · Aditya Aren 等6人 · IEEE Access · 2025年1月

物联网正以其无处不在重塑我们生活。从健身手表到飞机的IoT设备无处不在性质突然上升导致网络攻击激增。AI驱动入侵检测系统IDS近期被用于对抗IoT环境中这一攻击激增。然而，现有解决方案缺乏分布式去中心化环境训练优化。去中心化环境训练模型的流行解决方案是联邦学习，多个客户端模型协作训练全局模型同时保持各客户端数据去中心化和私密。然而这存在各客户端数据泛化能力差的问题。本研究提出新型联邦多层深度学习Fed-MLDL模型，在分布式联邦学习环境中采用基于物理的超参数优化技术FedRIME用于CICIoT...

解读: 该联邦学习入侵检测技术对阳光电源分布式能源物联网安全具有重要应用。阳光管理全球数百万台光伏逆变器和储能设备，设备分布式部署和数据隐私保护是关键需求。该Fed-MLDL模型可应用于阳光iSolarCloud平台的分布式安全防护，在保护各电站数据隐私的同时实现全局入侵检测模型训练。在工商业储能场景下，该...