计算机应用

作者：张帅华, 张淑芬, 周明川, 徐超, 陈学斌

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.唐山市大数据安全与智能计算重点实验室（北京交通大学），河北 唐山 063210；4.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,半监督学习,恶意流量检测,一致性正则化,动态聚合权重

基金：国家自然科学基金资助项目(U20A20179)

恶意流量检测是应对网络安全挑战的关键技术之一。针对采用联邦学习进行恶意流量检测时，本地标记数据不足，非独立同分布（non-IID）导致协同训练模型性能下降的问题，构建一种基于半监督联邦学习的恶意流量检测模型。该模型借助伪标记和一致性正则化项的半监督学习技术，有效地从未标记数据中提取信息进行训练；同时，设计一种非线性函数，用于动态调整客户端本地有监督和无监督损失在聚合时的权重，以充分利用未标记数据，提高模型的准确性。为降低non-IID问题对全局模型性能的影响，提出一种联邦聚合算法FedLD （Federated-Loss-Data），通过结合训练损失和数据量的权重计算方法，自适应地调整全局模型聚合过程中各客户端模型的权重。实验结果表明，在NSL-KDD数据集上，所提模型在标记数据有限的情况下能够实现较高的检测准确率，与基线模型FedSem （Federated Semi-supervised）相比，检测准确率提升了4.11个百分点，在正常流量（Normal）、拒绝服务（DoS）攻击和探测（Probe）等类别上的召回率也提升了1.65~7.66个百分点，说明所提模型更适用于恶意流量检测领域。

来源：2024年第11期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第11期