基于安全隐私增强联邦学习的物联网异常检测

这篇论文题为'Security and Privacy-Enhanced Federated Learning for Anomaly Detection in IoT Infrastructures', 发表在2022年IEEE工业信息学杂志上。作者是雷翠、曲友扬、谢刚、曾德泽、李瑞东、沈世根和余水。

论文概述:

本文提出了一种新的安全隐私增强联邦学习方法, 用于解决物联网基础设施中的异常检测问题。物联网设备通常会生成大量敏感数据, 传统集中式异常检测方法需要将数据收集到中心服务器, 这可能会引发隐私问题。

联邦学习作为一种新兴的分布式机器学习范式, 允许物联网设备在不共享原始数据的情况下协作训练模型。然而, 传统的联邦学习方法仍然存在安全和隐私风险。

本文提出的方法通过以下方式增强了联邦学习的安全性和隐私性:

差分隐私: 在模型训练过程中添加噪声, 以保护单个设备数据的隐私。* 安全聚合: 使用加密技术安全地聚合来自多个设备的模型更新。

研究意义:

这项研究对于保护物联网基础设施的安全和隐私具有重要意义。该方法能够在不损害数据隐私的情况下检测异常, 为物联网应用提供更安全可靠的环境。

关键词: 物联网, 异常检测, 联邦学习, 安全, 隐私, IEEE工业信息学杂志