计算机应用

作者：马凯光, 陈学斌, 菅银龙, 王柳, 高远

单位：1.华北理工大学 理学院，河北 唐山 063210；2.河北省数据科学与应用重点实验室（华北理工大学），河北 唐山 063210；3.唐山市数据科学重点实验室（华北理工大学），河北 唐山 063210

关键词：联邦学习,入侵检测,双向循环神经网络,类别不平衡,隐私保护

基金：国家自然科学基金资助项目(U20A20179)

网络入侵检测系统（NIDS）在网络安全防御中发挥着关键作用。传统基于规则匹配的方法难以有效检测未知攻击，深度学习虽提高了检测性能，但受限于集中式训练造成的数据隐私问题。在此背景下，联邦学习通过本地训练与参数共享，在保护数据隐私的同时实现协同学习，为网络入侵检测提供了一种可行的解决方案。然而，联邦学习在NIDS应用中仍面临挑战，包括网络流量的时序依赖性和数据分布的不均衡，这导致联邦模型对少数类攻击的检测能力不足。因此，提出一种结合双向循环神经网络（RNN）并行结构与联邦类别平衡（FedCB）算法的混合框架，以增强时序建模能力并优化联邦聚合策略。实验结果表明，该算法在NSL-KDD数据集上的五分类任务中取得了更优的检测性能，相较于结合联邦学习与卷积神经网络的入侵检测模型CNN-FL和FL-SEResNet（Federation Learning Squeeze-and-Excitation network ResNet），准确率分别提升了3.30和1.48个百分点，说明该方法在联邦学习入侵检测任务中的有效性。

来源：2026年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第3期