PulseAugur
中
实时 10:57:36
English(EN) FBID: Adaptive Personalized Federated Learning for Robust Out-of-Distribution Attack Detection in IoT Networks

新的FBID框架使用自适应PFL提升物联网攻击检测能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了FBID，一个新颖的自适应个性化联邦学习（PFL）框架，旨在增强物联网（IoT）网络中分布外（OOD）攻击的检测能力。与可能导致过度个性化和OOD检测性能下降的现有PFL方法不同，FBID采用服务器端控制。它包含一个上下文多臂老虎机来动态调整客户端训练强度，以及一个基于信任的融合机制来平衡全局和本地模型知识。在CICIoT2023数据集上的实验表明，FBID能够提高OOD检测率和F1分数，尤其是在对抗未见过的攻击类别时。 AI

影响 通过提高对新颖和不断演变的网络威胁的检测能力，增强了物联网网络的安全性。

排序理由 详细介绍AI应用新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的FBID框架使用自适应PFL提升物联网攻击检测能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · An Khanh Bui, Cong Thanh Nguyen, Hoang-Anh Pham, Hoang Thai Dinh, Diep N. Nguyen ·

    FBID：面向物联网网络鲁棒性分布外攻击检测的自适应个性化联邦学习

    arXiv:2608.04073v1 Announce Type: cross Abstract: Personalized Federated Learning (PFL) has emerged as a promising solution for intrusion detection in heterogeneous IoT environments, as it can improve local adaptation under highly Non-Independent and Identically Distributed (non-…

相关实体

相关话题