Быстрый рост устройств интернета вещей (IoT) и увеличение их сложности делают обнаружение вторжений в сеть ключевой проблемой, особенно в среде крауд-компьютинга, ориентированной в основном на конфиденциальность данных. Технологии обнаружения вторжений на основе машинного обучения могут усилить безопасность сетей интернета вещей, но часто требуют централизованных сетевых данных, что представляет серьезные риски для конфиденциальности данных и безопасности. В последние годы, несмотря на появление методов обнаружения вторжений на основе федеративного обучения для решения проблемы конфиденциальности, эти методы пока не полностью используют преимущества графовых нейронных сетей (GNN) в обнаружении вторжений. Для решения этой проблемы предлагается рамка федеративной пространственно-временной сверточной сети (FedSTGCN), которая объединяет пространственно-временные графовые нейронные сети (STGNN) и возможности федеративного обучения. Эта рамка поддерживает совместное обучение моделей между распределенными устройствами интернета вещей без необходимости обмена исходными данными, тем самым повышая точность обнаружения вторжений в сеть при защите конфиденциальности данных. Были проведены обширные эксперименты на двух широко используемых наборах данных обнаружения вторжений в сеть интернета вещей для оценки эффективности предложенного метода. Результаты экспериментов показывают, что FedSTGCN превосходит другие методы как в задаче бинарной классификации, так и в задаче многоклассовой классификации, превышая 97% точности в задаче бинарной классификации и более 92% взвешенного показателя F1 в задаче многоклассовой классификации.

интернет вещей; обнаружение вторжений в сеть; пространственно-временные графовые нейронные сети; федеративное обучение; конфиденциальность данных