Das schnelle Wachstum der Geräte des Internets der Dinge (IoT) und deren zunehmende Komplexität machen die Netzwerk-Eindringungserkennung zu einer entscheidenden Herausforderung, insbesondere in einer Edge-Computing-Umgebung, in der der Schutz der Datenpriorität hat. Intrusionserkennungstechnologien, die auf maschinellem Lernen basieren, können die Sicherheit von IoT-Netzwerken stärken, erfordern jedoch in der Regel zentralisierte Netzwerkd Daten, was erhebliche Risiken für den Datenschutz und die Sicherheit mit sich bringt. In den letzten Jahren haben sich zwar methoden zur Erkennung von Netzwerkintrusionen auf der Grundlage des föderalen Lernens etabliert, um das Problem des Datenschutzes zu beheben, diese Methoden haben jedoch die Vorteile von Graph-Neural Networks (GNN) bei der Erkennung von Intrusionen bisher nicht vollständig genutzt. Zur Lösung dieses Problems wird ein Rahmen für das föderierte raumzeitliche Graphenlernen (FedSTGCN) vorgeschlagen, der raumzeitliche Graph-Neural Networks (STGNN) und die Möglichkeiten des föderierten Lernens kombiniert. Dieser Rahmen unterstützt das kooperative Training von Modellen zwischen verteilten IoT-Geräten, ohne dass Rohdaten geteilt werden müssen, und verbessert gleichzeitig die Genauigkeit der Netzwerk-Eindringungserkennung, während der Datenschutz gewährleistet wird. Um die Wirksamkeit der vorgeschlagenen Methode zu bewerten, wurden umfangreiche Experimente an zwei weit verbreiteten Datensätzen zur Netzwerkintrusionserkennung in IoT durchgeführt. Die Experimente zeigen, dass FedSTGCN in Aufgaben der binären und der Mehrklassenklassifizierung anderen Methoden überlegen ist, wobei die Genauigkeit in der binären Klassifizierungsaufgabe über 97% liegt und der gewichtete F1-Wert in der Mehrklassenklassifizierungsaufgabe über 92% erreicht wird.

IoT; Netzwerkeindringungserkennung; raumzeitliche Graph-Neural Networks; föderiertes Lernen; Datenschutz