Delay and Energy-Efficient Asynchronous Federated Learning for Intrusion Detection in Heterogeneous Industrial Internet of Things
Notice bibliographique
Résumé
Federated learning (FL) is a promising solution to overcome data island and privacy issues in intrusion detection systems (IDSs) for the Industrial Internet of Things (IIoT). However, the heterogeneity of various IIoT devices poses formidable challenges to FL-based intrusion detection, especially the training cost relating to delay and energy consumption. In this article, we propose a delay and energy-efficient asynchronous FL (AFL) framework for intrusion detection (DEAFL-ID) in heterogeneous IIoT. Specifically, we address the shortcomings of low efficiency and high energy consumption in existing FL-based solutions involving all idle IIoT devices. To do so, we formulate an AFL-based optimal device selection problem which aims to select high-quality training devices in advance by exploring the device advantages in detection accuracy, delay reduction, and energy saving. Subsequently, a deep Q-network (DQN)-based learning algorithm is developed to quickly solve the above high-dimensional problem. In addition, to further improve the detection performance, we build a hybrid sampling-assisted convolutional neural network (CNN)-based IDS model, which can eliminate the imbalance of IIoT data and enable the selected devices to fully extract data features. Through simulations, we demonstrate that DEAFL-ID achieves a significant improvement in training cost and detection performance compared with existing IDS schemes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».