通过利用联邦学习技术，本研究提出了一种创新的策略来加强物联网网络对分布式拒绝服务攻击的安全性，实时检测并减轻攻击的影响，同时保护敏感数据的隐私。研究结果表明，在非独立非同分布数据集中，FedAvgM 的聚合算法优于 FedAvg，提供更好的稳定性和性能。

Mar, 2024

本文提出了一个基于联邦学习的入侵检测框架，通过使用 CIC-IDS 2017 数据集，在 Internet of Vehicles (IOV) 中实现去中心化机器学习，采用 SMOTE 来处理类别不平衡，异常观测值检测来识别和移除异常观测值，以及超参数调整来优化模型性能，并通过各种性能指标评估了该框架，展示了其在侦测入侵方面的效果，并能保护敏感数据同时实现高入侵检测性能。

Nov, 2023

本文研究联邦学习在物联网恶意软件检测中的应用及其安全问题。其中提出了一种使用联邦学习检测影响 IoT 设备的恶意软件的框架，并使用 N-BaIoT 数据集进行评估。研究表明，与传统方法相比，联邦学习方法可以显著提高模型性能，并且在保护用户隐私的前提下，其结果与集中式方法相似。此外，针对恶意攻击提出的其他模型聚合函数也可以提供显著改进，但需要进一步研究来提高联邦学习方法的鲁棒性。

Apr, 2021

在工业物联网中，由于隐私和安全问题，很难将大量数据集中到一起训练深度学习模型，因此联邦学习，一种保护数据隐私的分布式机器学习范式，在物联网中得到广泛应用。然而，在实际的联邦学习中，数据分布通常在设备之间存在较大差异，数据的异构性将对模型的性能产生不利影响。此外，物联网中的联邦学习通常涉及大量设备的训练，而云服务器的通信资源有限成为训练的瓶颈。为了解决上述问题，本文将集中式联邦学习与分散式联邦学习相结合，设计了一种半分散式边缘云设备层次化联邦学习框架，可以缓解数据异构性的影响，并且能够在物联网中大规模部署。为了解决数据异构性的影响，我们在每个环状集群中使用了增量次梯度优化算法来改善环状集群模型的泛化能力。我们的大量实验证明，我们的方法可以有效缓解数据异构性的影响，并减轻云服务器中的通信瓶颈。

Mar, 2024

本文介绍了联邦学习在物联网应用中的先进发展，提出了一系列度量标准以进行严格评估，设计出了物联网网络上的联邦学习分类法，并提出了比联邦学习更好的隐私保护的分散联邦学习的两种用例，最后提出了一些开放性研究挑战和可能的解决方案。

Sep, 2020

本文提出结合联邦学习和多层感知器神经网络的基于主机的入侵检测系统，可高精度检测 IoT 设备的网络攻击并增强数据隐私保护。

Jun, 2023

本研究提出了一种联邦迁移学习（FTL）方法来进行工业物联网网络入侵检测，并且通过使用组合神经网络作为 FTL 的核心来提高整体性能。

Oct, 2023

本研究提出了一种新颖的分散和联合学习入侵检测体系结构（DOF-ID），该体系结构利用机器学习技术，不需要公开其他系统的数据集即可学习，通过 DOF-ID 的平均评估结果表明，DOF-ID 可以同时显著提高所有协作节点的入侵检测性能。

Jun, 2023

本文研究联邦学习中的后门攻击及防御，探讨了如何在 EMNIST 数据集上实现防御策略，结论表明采用范数削弱和差分隐私能够有效减轻后门攻击带来的影响，同时开放代码以期鼓励更多研究者参与其中。

Nov, 2019

通过提出集中式的、基于神经网络的联邦学习系统，利用边缘计算减少中央服务器的负载，同时在各种数据分布设置中相对于一些现有基准算法取得令人满意的性能。

Nov, 2023