网络安全中的联邦学习：性能、鲁棒性与对抗性威胁

本研报探讨了联邦学习（FL）在网络流量分类任务中的性能、鲁棒性和对抗威胁。研究发现，FL在二分类任务中与集中式学习方法性能相当，但在多分类任务中，尤其是在类别不平衡的情况下，表现较差。标签翻转攻击会保留整体准确率，但会降低少数类性能。研究人员提出了一种新的后门方法，在不改变标签的情况下嵌入特征级触发器，将宏观和加权F1分数降低了高达10%。该研究贡献了一个联邦模拟框架、模型比较和威胁评估，揭示了对改进指标、类别平衡和集成防御机制的需求，以增强FL的弹性。这些见解为FL在军事和联盟领域的未来部署提供了信息，在这些领域，数据敏感性、资源限制和操作安全仍然至关重要。 研究使用了监督模型（随机森林、极端梯度提升和卷积神经网络（CNN））比较FL与使用IoT-23和NPS企业研究网络（ERN）数据集的集中式学习。结果表明，FL在二分类中与集中式学习性能相当，但在多分类任务中，尤其是在类别不平衡的情况下，表现较差。标签翻转攻击会保留整体准确率，但会降低少数类性能。研究人员提出了一种新的后门方法，在不改变标签的情况下嵌入特征级触发器，将宏观和加权F1分数降低了高达10%。该研究贡献了一个联邦模拟框架、模型比较和威胁评估，揭示了对改进指标、类别平衡和集成防御机制的需求，以增强FL的弹性。这些见解为FL在军事和联盟领域的未来部署提供了信息，在这些领域，数据敏感性、资源限制和操作安全仍然至关重要。 研究评估了FL模型在数据投毒攻击下的鲁棒性，特别是标签翻转和后门注入，以评估它们对性能的影响。结果表明，标签翻转攻击会显著降低少数类的检测能力，而后门攻击会引入隐蔽的故障，不会显著影响整体准确率。研究结果表明，FL在二分类任务中可以实现与集中式学习方法相当的性能，但在多分类任务中，尤其是在类别不平衡的情况下，表现较差。标签翻转攻击会保留整体准确率，但会降低少数类性能。研究人员提出了一种新的后门方法，在不改变标签的情况下嵌入特征级触发器，将宏观和加权F1分数降低了高达10%。该研究贡献了一个联邦模拟框架、模型比较和威胁评估，揭示了对改进指标、类别平衡和集成防御机制的需求，以增强FL的弹性。这些见解为FL在军事和联盟领域的未来部署提供了信息，在这些领域，数据敏感性、资源限制和操作安全仍然至关重要。