论文页面 - EdgeDetect：面向联邦入侵检测的重要性感知梯度压缩与同态聚合

Source: https://huggingface.co/papers/2604.14663

https://huggingface.co/papers/2604.14663#edgedetect-importance-aware-gradient-compression-with-homomorphic-aggregation-for-federated-intrusion-detectionEdgeDetect：面向联邦入侵检测的重要性感知梯度压缩与同态聚合

**作者：**Noor Islam S. Mohammad **机构：**伊斯坦布尔技术大学计算机系，Maslak, TR 邮箱：[email protected] **arXiv：**2604.14663v1 [cs.CR] **日期：**2026年4月16日

https://huggingface.co/papers/2604.14663#abstract[摘要]

联邦学习（FL）使得在不交换原始数据的情况下实现协作式入侵检测成为可能，但传统 FL 因全精度梯度传输而产生高昂的通信开销，并且仍易受梯度推理攻击。本文提出了EdgeDetect，这是一种面向带宽受限的 6G-IoT 环境、兼顾通信效率与隐私保护的联邦入侵检测系统。

EdgeDetect 引入了梯度智能量化（gradient smartification），这是一种基于中位数的统计二值化方法，将本地更新压缩为 {+1, -1} 表示形式，在保持收敛性的同时将上行载荷降低32 倍。我们进一步在二值化梯度的基础上集成了 Paillier 同态加密，以防范“诚实但好奇”的服务器，同时避免暴露单个客户端的更新内容。

关键结果：

• 在 CIC-IDS2017 数据集（280 万流量样本，7 类攻击）上实现98.0% 的多分类准确率和97.9% 的宏观 F1 分数
• 96.9% 的通信开销降低（每轮从 450 MB 降至 14 MB）
• 树莓派 4 部署：仅需 4.2 MB 内存，0.8 ms 延迟，每次推理功耗 12 mJ，准确率损失小于 0.5%
• 鲁棒性：在 5% 的投毒攻击下仍保持 87% 的准确率，少数类 F1 分数达 0.95（p < 0.001）

**索引词：**PPFL、IDS、边缘计算、6G 安全、物联网网络、通信效率、机器学习

https://huggingface.co/papers/2604.14663#1-introduction[引言]

下一代无线技术（5G、6G、IoT）在实现海量机器类型通信的同时，也扩大了复杂网络威胁的攻击面。传统的集中式 IDS 面临以下挑战：

• 可扩展性瓶颈
• 通信延迟高
• 单点故障风险
• 难以处理高维数据和严重的类别不平衡问题

联邦学习虽能缓解上述问题，但仍面临两大核心挑战：

1. 通信开销——高维梯度向量消耗大量带宽
2. 梯度泄露——共享的更新内容可能被逆向工程还原出敏感的原始训练样本

https://huggingface.co/papers/2604.14663#contributions[主要贡献]

https://huggingface.co/papers/2604.14663#1-alignment-aware-federated-ids-architecture1.对齐感知的联邦 IDS 架构

• 面向 6G-IoT 的隐私保护型联邦入侵检测框架
• 集成基于 PCA 的降维、均衡采样策略与安全聚合机制
• 实现无需共享原始网络流量的协作式学习

https://huggingface.co/papers/2604.14663#2-adaptive-median-based-gradient-smartification-with-encrypted-aggregation2.基于自适应中位数的梯度智能量化与加密聚合

• 基于统计特性的自适应中位数阈值二值化策略
• 将梯度压缩至 {+1, -1}，同时保持方向一致性
• 结合 Paillier 同态加密技术
• 实现最高 32 倍的通信缩减，有效缓解梯度反转风险

https://huggingface.co/papers/2604.14663#3-quantified-privacyutilityefficiency-trade-off3.隐私-效用-效率权衡的量化评估

• 开展广泛的消融实验与对抗性分析
• 通信开销降低 96.9% 的情况下，多分类准确率达 98.0%
• 性能可与集中式基线模型相媲美
• 提供密码学级别的隐私保障
• 即使存在 20% 的恶意客户端，仍能保持 >85% 的准确率
• 将梯度反演 PSNR 从 31.7 dB 降低至 15.1 dB

https://huggingface.co/papers/2604.14663#4-edge-validated-deployment4.边缘端实际部署验证

• 在树莓派 4 上进行真实世界部署
• 内存占用仅 4.2 MB，延迟低至 0.8 ms
• 每次推理功耗 12 mJ，准确率下降不足 0.5%
• 充分验证了其在资源受限的 6G-IoT 环境中的适用性

https://huggingface.co/papers/2604.14663#2-related-work[相关工作]

https://huggingface.co/papers/2604.14663#a-deep-learning-based-anomaly-detection[A. 基于深度学习的异常检测]

• 采用 CNN-RNN 与 LSTM 架构进行 DDoS 与零日攻击检测
• 将时序流量转换为图像编码以提取空间特征
• 对于结构化特征，SVM 与随机森林仍具有较强竞争力

https://huggingface.co/papers/2604.14663#b-federated-learning-in-iot-networks[B. 物联网网络中的联邦学习]

• 实现无需共享原始数据的去中心化训练
• 应用场景涵盖 IoT 安全、工业传感器网络及跨域入侵检测
• “边缘-云”协同架构可降低响应延迟
• 挑战在于标准 FL（如 FedAvg）依赖全精度梯度交换

https://huggingface.co/papers/2604.14663#c-privacy-preservation-and-gradient-compression[C. 隐私保护与梯度压缩]

• **差分隐私（DP）与同态加密（HE）**可提升数据机密性
• 高效通信方法包括 signSGD 与梯度稀疏化
• 目前较少方法能联合优化梯度压缩与加密聚合过程

https://huggingface.co/papers/2604.14663#d-distinction-from-signsgd-and-quantized-fl[D. 与 signSGD 及量化 FL 的区别]

与固定阈值量化器（QSGD, TernGrad）不同：

• 客户端自适应阈值可动态适应梯度分布
• 保留梯度向量内的相对顺序
• 利用 IDS 模型中典型的长尾分布特性

https://huggingface.co/papers/2604.14663#3-system-architecture[系统架构]

https://huggingface.co/papers/2604.14663#protocol-flow[协议流程]

EdgeDetect 由 K 个资源受限的边缘客户端和一个中央聚合服务器组成。

https://huggingface.co/papers/2604.14663#phase-1-client-side-local-training[阶段一：客户端本地训练]

W_{i}^{(r+1)} = W_{i}^{(r)} − η∇L(W_{i}^{(r)}, D_i)
Δ_{i}^{(r)} = W_{i}^{(r+1)} − W^{(r)}

https://huggingface.co/papers/2604.14663#phase-2-gradient-smartification[阶段二：梯度智能量化]

θ_i = median(|Δ_{i}^{(r)}|)
Δ^{bin}_{i,j} = +1  if Δ_{i,j} ≥ θ_i
                -1  otherwise

https://huggingface.co/papers/2604.14663#phase-3-privacy-preserving-encryption[阶段三：隐私保护加密]

C_{i}^{(r)} = E(Δ^{bin}_{i})  # Paillier 加密

https://huggingface.co/papers/2604.14663#phase-4-secure-aggregation-and-global-update[阶段四：安全聚合与全局更新]

Δ^{bin}_{agg} = (1/|S_r|) × Σ D(C_{i}^{(r)})
W^{(r+1)} = W^{(r)} + α · Δ^{bin}_{agg}

https://huggingface.co/papers/2604.14663#4-methodology[方法论]

https://huggingface.co/papers/2604.14663#a-data-exploration-and-preprocessing[A. 数据探索与预处理]

CIC-IDS2017 数据集：

• 包含 79 个特征的 2,830,743 条记录
• 剔除 308,381 行重复数据
• 缺失/无穷值占比 0.06%（使用中位数填充）
• 通过数值类型降级节省 47.5% 内存
• 缓解严重类别不平衡问题：采用 20% 分层抽样

https://huggingface.co/papers/2604.14663#b-feature-engineering-and-selection[B. 特征工程与选择]

https://huggingface.co/papers/2604.14663#temporal-features[时间特征]

Δt_mean = (1/(n-1)) × Σ(t_i − t_{i-1})
Δt_std = √[(1/(n-1)) × Σ(Δt_i − Δt_mean)²]

https://huggingface.co/papers/2604.14663#entropy-based-features[基于熵的特征]

H(S) = −Σ p(s) log₂ p(s)

捕捉数据包尺寸的分布随机性。

https://huggingface.co/papers/2604.14663#feature-selection[特征选择]

• 使用基于随机森林置换重要性的递归特征消除（RFE）
• 排序公式：I_j = (1/T) × Σ I(f_t(D) ≠ f^{-j}_t(D))

https://huggingface.co/papers/2604.14663#c-dimensionality-reduction-via-incremental-pca[C. 通过增量 PCA 进行降维]

Cov(Z) = (1/(n-1)) × Z^T Z = V Λ V^T
Z_PCA = Z V_k

结果：主成分数量从 78 降至 35，在保留99.3% 方差的同时将特征维度降低 55%。

https://huggingface.co/papers/2604.14663#d-class-balancing-strategies[D. 类别平衡策略]

https://huggingface.co/papers/2604.14663#binary-classification[二分类任务]

• 随机欠采样：D_bal = D_min ∪ Sample(D_max, |D_min|)
• 结果：生成 15,000 个平衡样本（7,500 正常，7,500 攻击）

https://huggingface.co/papers/2604.14663#multi-class-classification[多分类任务]

• SMOTE：x_new = x_i + λ(x_{ij} − x_i)，其中 λ ~ U(0, 1)
• 自适应 SMOTE：λ ~ Beta(α, β)，其中 α = 1 + ρ_i，β = 1 + (1 − ρ_i)

https://huggingface.co/papers/2604.14663#e-machine-learning-models[E. 机器学习模型]

https://huggingface.co/papers/2604.14663#f-evaluation-metrics[F. 评估指标]

• 准确率、精确率、召回率、F1 分数
• Matthews 相关系数（MCC）
• Cohen’s Kappa (κ)
• ROC 曲线下面积（AUC-ROC）

https://huggingface.co/papers/2604.14663#5-experimental-setup[实验设置]

https://huggingface.co/papers/2604.14663#a-dataset-construction-and-sampling-validation[A. 数据集构建与抽样验证]

CIC-IDS2017 抽样情况：

• 原始数据：N = 2,830,540 条流量
• 20% 分层子集：n = 504,472
• Kolmogorov–Smirnov 检验：p > 0.05（无显著偏离）
• 92% 的特征平均偏差 <5%
• 经 PCA 后：k = 35 个主成分（保留 99.3% 方差）

训练集-测试集划分：

• 80:20 分层划分（随机种子 42）
• 二分类：15,000 个样本（7,500 正常，7,500 攻击）
• 多分类：通过 SMOTE 生成 35,000 个样本（每类 5,000 个）

https://huggingface.co/papers/2604.14663#b-hyperparameter-optimization[B. 超参数优化]

配置方案：

• 配置 1（效率优先）：侧重计算效率
• 配置 2（表达能力优先）：通过 3 折网格搜索最大化准确率

关键超参数：

• 逻辑回归：C ∈ {0.1, 100}
• SVM：RBF 核函数，γ = 0.1
• 随机森林：n_estimators ∈ {100, 200}，max_depth=20
• 决策树：max_depth ∈ {6, 10, 15}
• KNN：k ∈ {3, 5, 7}

https://huggingface.co/papers/2604.14663#c-evaluation-protocol[C. 评估协议]

https://huggingface.co/papers/2604.14663#stage-1-cross-validation[阶段一：交叉验证]

• 在训练集划分（n = 12,000）上执行 5 折分层交叉验证
• 分层策略保持 50:50 的正常与攻击样本比例
• 折间波动性：σ_CV = √[(1/(K-1)) × Σ(Acc_i − Acc̄)²]

https://huggingface.co/papers/2604.14663#stage-2-hold-out-testing[阶段二：留置测试]

• 使用最优配置在全量训练集上重新训练模型
• 在留置测试集（n = 3,000，占 20%）上进行评估
• 评估指标：准确率、精确率、召回率、F1 分数、ROC-AUC、混淆矩阵

https://huggingface.co/papers/2604.14663#statistical-reliability[统计可靠性]

• 三次独立随机实验，种子分别为 42、123、456
• 95% 置信区间：CI_95% = x̄ ± 1.96 × (σ/√n)

https://huggingface.co/papers/2604.14663#6-experimental-results[实验结果]

https://huggingface.co/papers/2604.14663#a-binary-classification-performance[A. 二分类性能表现]

https://huggingface.co/papers/2604.14663#linear-models[线性模型]

• 逻辑回归：92.21% 准确率（σ = 5.81 × 10⁻³）
• 配置 2 优化后提升至 92.51%（+0.30%）

https://huggingface.co/papers/2604.14663#kernel-based-methods[基于核的方法]

• SVM（线性核）：83.00%（欠拟合）
• SVM（RBF 核）：96.14%（+13.14%，σ = 3.89 × 10⁻³）

https://huggingface.co/papers/2604.14663#tree-based-ensembles[基于树的集成模型]

• 随机森林（配置 1）：95.98%
• 随机森林（配置 2）：98.09%（+2.11%，σ = 1.72 × 10⁻³）✓最佳

https://huggingface.co/papers/2604.14663#instance-based-learning[基于实例的学习]

• KNN（k=5）：97.40%（σ = 0.89 × 10⁻³）
• KNN（k=3）：97.93%（+0.53%，σ = 1.27 × 10⁻³）

https://huggingface.co/papers/2604.14663#b-multi-class-classification-performance[B. 多分类性能表现]

https://huggingface.co/papers/2604.14663#c-per-class-breakdown-random-forest-config-2[C. 各类别详细表现（随机森林配置 2）]

https://huggingface.co/papers/2604.14663#7-federated-learning-convergence-analysis[联邦学习收敛性分析]

https://huggingface.co/papers/2604.14663#a-convergence-and-compression-trade-off[A. 收敛性与压缩权衡]

EdgeDetect 在压缩 32 倍的情况下实现了与全精度 FedAvg相当的收敛水平：

• 覆盖 280 万 CIC-IDS2017 样本
• 无明显准确率下降（Δ < 0.2 个百分点）
• 余弦相似度：0.87 ± 0.04

https://huggingface.co/papers/2604.14663#b-privacy-enhancement-through-smartification[B. 智能量化带来的隐私增强]

https://huggingface.co/papers/2604.14663#c-theoretical-convergence-analysis[C. 理论收敛性分析]

引理 1（中位数阈值智能量化下的下降性质）： 假设损失函数 L(W) 是 L-平滑且有下界的。令 g̃_t 表示智能量化后的梯度，其余弦相似度满足 cos(θ_t) = ⟨g_t, g̃_t⟩ / (∥g_t∥ ∥g̃_t∥) ≥ γ > 0。

当学习率 η 足够小时：

E[L(W_{t+1})] ≤ L(W_t) − ηγ∥g_t∥² + (Lη²/2)∥g̃_t∥²

定理 1（有界方差下的收敛性）： 假设随机梯度方差 σ² 有界，且余弦相似度 γ > 0。则在 T 轮迭代后：

min_{t≤T} E[∥∇L(W_t)∥²] = O(1 / (γ√T))

https://huggingface.co/papers/2604.14663#8-federated-learning-scalability[联邦学习扩展性]

https://huggingface.co/papers/2604.14663#a-convergence-under-different-heterogeneity-levels[A. 不同异构水平下的收敛性]

https://huggingface.co/papers/2604.14663#b-scalability-with-number-of-clients[B. 客户端数量扩展性]