El rápido crecimiento de los dispositivos de Internet de las cosas (IoT) y su creciente complejidad hacen que la detección de intrusos en la red sea un desafío crucial, especialmente en un entorno de computación en la nube centrado principalmente en la privacidad de los datos. Las tecnologías de detección de intrusos basadas en el aprendizaje automático pueden reforzar la seguridad de las redes de Internet de las cosas, pero a menudo requieren datos de red centralizados, lo que conlleva graves riesgos para la privacidad de los datos y la seguridad. En los últimos años, aunque han surgido métodos de detección de intrusos basados en el aprendizaje federado para abordar el problema de la privacidad, estos métodos aún no han aprovechado completamente las ventajas de las redes neuronales gráficas (GNN) en la detección de intrusos. Para resolver este problema, se propone un marco de red de convolución espaciotemporal federada (FedSTGCN), que combina las redes neuronales gráficas espaciotemporales (STGNN) y las capacidades de aprendizaje federado. Este marco permite la formación colaborativa de modelos entre dispositivos distribuidos de IoT sin necesidad de compartir datos crudos, mejorando así la precisión de la detección de intrusos en la red al tiempo que protege la privacidad de los datos. Se realizaron extensos experimentos en dos conjuntos de datos ampliamente utilizados para la detección de intrusos en IoT, para evaluar la efectividad del método propuesto. Los resultados de los experimentos muestran que FedSTGCN supera a otros métodos tanto en la tarea de clasificación binaria como en la tarea de clasificación múltiple, con una precisión superior al 97% en la tarea de clasificación binaria y un puntaje F1 ponderado superior al 92% en la tarea de clasificación múltiple.

IoT; detección de intrusos en la red; redes neuronales gráficas espaciotemporales; aprendizaje federado; privacidad de datos