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

通过使用联邦学习方法中的 Fedavg 算法解决了物联网设备中涉及的隐私问题，并提出了一个公平的 Fedavg 算法以解决在训练过程中出现的不公平问题。

Aug, 2023

通过提出一种基于联邦学习的云端架构，我们的研究展示了一种有效的联合防御方法 (FDA3) 来防范工业互联网应用中的恶意攻击，该方法在不同的攻击来源中聚合防御知识，生成的深度神经网络在抵抗恶意攻击方面表现优异，适用于各种类型的新攻击。

Jun, 2020

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

本研究提出了 D"IoT，一种自主学习的分布式系统，用于有效检测受到攻击的 IoT 设备。它使用新颖的自学习方法将设备分类为设备类型，并为每个设备类型建立正常通信行为模式，以便随后检测通信模式中的异常偏差。该系统应用联邦学习方法高效地聚合行为文件，并可以应对出现的新的和未知的攻击。经过系统评估和大规模实验，该系统在检测受感染的 Mirai 恶意软件等方面表现高度有效（检测率为 95.6%），并且在实际智能家居环境中没有报告虚警。

Apr, 2018

近年来，物联网（IoT）设备的发展和实施加快。为了处理收集和传输到这些设备的大量数据，需要一个超级网络。第五代（5G）技术是一种新的综合无线技术，有可能成为 IoT 的主要推动技术。物联网设备的快速普及可能遇到许多安全限制和问题，因此出现了新的严重安全和隐私风险。攻击者使用物联网设备发起大规模攻击，其中最著名的是分布式拒绝服务（DDoS）攻击。我们在特定设计用于 5G 网络中的物联网设备的数据集上应用了两个深度学习算法 —— 卷积神经网络（CNN）和前馈神经网络（FNN）。我们使用 OMNeT++、INET 和 Simu5G 框架构建了 5G 网络基础设施。数据集包括正常网络流量和 DDoS 攻击。CNN 和 FNN 这两个深度学习算法都表现出了令人印象深刻的准确性水平，均达到了 99%。这些结果凸显了深度学习在增强 5G 网络中物联网设备安全方面的潜力。

Nov, 2023

研究使用基于联邦学习的入侵检测系统解决物联网领域中的数据安全和隐私问题，并且实验结果表明，在使用预先训练的初始全局模型的情况下，相比随机初始化的全局模型，模型性能提高了 20% 以上（F1 得分）

Jun, 2023

本文提出了一种基于云边架构的个性化联邦学习框架，以解决在物联网环境下的设备、统计和模型异构性，能够为智能物联网应用提供高效时延和低延迟的处理能力，并使用人类活动识别案例研究证明了个性化联邦学习在智能物联网应用中的有效性。

Feb, 2020

本研究提出了一种数字孪生的工业物联网新架构，通过可信的协作聚合机制，自适应地控制分布式学习频率并异步聚类，来提高学习性能，从而优化其工业 4.0 的应用效果。

Oct, 2020

本文针对数字双胞胎 6G 启用的物联网环境中边缘学习的中毒攻击问题进行了预测研究，发现攻击者可以在集中式学习和联邦学习的两种学习设置中进行中毒攻击，并且成功的攻击严重降低了模型的准确性。

Mar, 2023