Communication-efficient Federated Transfer Learning for real-time intrusion detection in agricultural IoT systems
Amina Khacha · Zibouda Aliouat · Yasmine Harbi 等 7 人
提出联邦迁移学习入侵检测方法，将流量转灰度图复用轻量视觉模型，实现农业物联网实时检测。
联邦迁移学习+轻量预训练图像模型，流量转灰度图，Edge-IIoTset与Far
在Edge-IIoTset和Farm-Flow上均达99.96%准确率，通信开销低且保护隐私。
可探索真实Ag-IoT边缘设备部署与动态异构流量下的联邦迁移学习鲁棒性及通信压缩优化。
提出联邦迁移学习入侵检测方法，将流量转为灰度图复用轻量视觉模型，在Edge-IIoTset与Farm-Flow上达99.96%精度，兼顾实时性、低通信开销与隐私保护，对农业物联网安全有较强参考价值。
农业物联网(Ag-IoT)网络的快速部署带来了显著的安全挑战，这主要源于其有限的计算资源和在偏远环境中的运行条件。这些限制，加之农业数据和操作的关键性，使Ag-IoT系统特别容易受到网络威胁，因此需要稳健、高效的安全机制。在此背景下，入侵检测系统(IDS)在监控网络活动和检测恶意行为方面发挥着至关重要的作用。然而，传统IDS解决方案往往面临高计算开销、延迟增加和大量通信成本的问题。尽管联邦学习(FL)通过支持分布式模型训练增强了数据隐私，但其效率在资源受限的Ag-IoT场景中仍然受到制约。为克服这些局限，我们提出了一种基于联邦迁移学习(FTL)的新型IDS，用于多类网络入侵分类，该方案将FL与轻量级预训练图像模型相结合。我们方法的核心思想是将网络流量数据转换为灰度图像，从而能够复用高效的计算机视觉模型。这种转换降低了数据复杂度，有望支持边缘设备上的低资源训练和推理。FTL框架确保仅交换模型更新，在保持数据隐私的同时最大限度地减少通信开销。实验结果表明，在三次独立运行验证下(均值±标准差)，我们的方法在Edge-IIoTset上达到99.96%±0.00%的准确率，在Farm-Flow数据集上达到99.96%±0.01%的准确率。这些发现凸显了基于FTL的IDS在实现实时、资源高效且隐私保护的Ag-IoT网络入侵检测方面具有强大的理论潜力。