FL-BC-IDS:证据原生隐私感知层次化联邦入侵检测系统用于车联网

《Sensors》:FL-BC-IDS: Evidence-Native Privacy-Aware Hierarchical Federated Intrusion Detection for the Internet of Vehicles

【字体: 大 中 小 】 时间:2026年08月27日 来源:Sensors 4.0

编辑推荐:

  车联网(Internet of Vehicles, IoV)入侵检测系统(intrusion detection systems, IDSs)需要协作学习,既要保留原始数据的本地性,又要生成可独立检查的运行时证据。研究人员提出FL-BC-IDS,一种证据原生、

  
车联网(Internet of Vehicles, IoV)入侵检测系统(intrusion detection systems, IDSs)需要协作学习,既要保留原始数据的本地性,又要生成可独立检查的运行时证据。研究人员提出FL-BC-IDS,一种证据原生、隐私感知的层次化联邦入侵检测系统,其中车辆训练差分隐私XGBoost(Differentially Private XGBoost)模型,路侧单元(roadside units, RSUs)执行确定性准入和树袋聚合,全局(GLOBAL)阶段对经过验证的RSU模型形成等权重集成。签名报告、隐私记录、SHA-256/Poseidon承诺、限定范围的Groth16证明、可重构的公共输入以及摘要固定的区块链收据提供了统一的验证路径。在10次种子控制运行中,CSE-CIC-IDS2018数据集上的平均±标准差准确率/F1值分别为0.998021±0.000246/0.983597±0.002053,CICIoV2024数据集上为0.999867±0.000152/0.999495±0.000579。仅基于开发数据固定阈值后,严格的留出攻击宏召回率在CSE-CIC-IDS2018和CICIoV2024上分别为0.8031和0.9090,表明存在残留的攻击特定泛化局限性;在CSE-CIC-IDS2018上进行的监督式滚动原点时间刷新在0.005700测试假阳性率下获得了0.984788的合并已见攻击召回率。一个受控的20辆车、八轮异质性和参与压力测试保持了0.998151的准确率和0.984782的F1分数。验证拒绝了无效或上下文不匹配的工件,并独立检查了模型-锚点一致性、RSU聚合重放、承诺和公共输入。所报告的差分隐私预算(DP budgets)是学习者阶段对学习者输入记录实例的条件性边界,而非原始预处理记录的端到端保证。
车联网(Internet of Vehicles, IoV)中的入侵检测系统(intrusion detection systems, IDSs)面临着数据隐私与协作学习效率之间的核心矛盾。传统集中式入侵检测方案要求车辆将原始数据上传至中心服务器,这既带来了隐私泄露风险,也因网络带宽限制而难以扩展。同时,现有联邦学习框架虽能保持数据本地性,却缺乏对模型训练过程中证据的可追溯性和可验证性,难以防御恶意车辆或路侧单元(roadside units, RSUs)的篡改攻击。此外,车联网环境下节点异构性强、参与动态性高,使得模型聚合的鲁棒性面临挑战。为解决上述问题,研究人员在发表于《Sensors》的论文中提出了FL-BC-IDS,一种证据原生、隐私感知的层次化联邦入侵检测系统,旨在通过差分隐私保护、区块链锚定验证和层次化聚合架构,在保证原始数据隐私的同时,提供可独立检查的运行时证据链条。

研究人员在研究中主要采用了以下关键技术方法:首先,系统采用层次化联邦学习架构,车辆层训练差分隐私XGBoost(Differentially Private XGBoost, DP-XGBoost)模型,通过差分隐私机制(Differential Privacy, DP)在本地数据上添加噪声以保护隐私;路侧单元层执行确定性准入和树袋聚合(tree-bagging aggregation),并通过字段级哈希(SHA-256/Poseidon承诺)和Groth16零知识证明(zero-knowledge proofs)对模型更新进行验证;全局层(GLOBAL stage)对经过验证的RSU模型形成等权重集成。其次,引入区块链技术,将签名报告、隐私记录、承诺、证明和摘要固定的区块链收据整合为统一验证路径。实验部分使用了两个公开数据集:CSE-CIC-IDS2018(加拿大网络安全研究所入侵检测数据集2018版)和CICIoV2024(车联网入侵检测数据集2024版),并设计了10次种子控制运行、留出攻击测试、滚动原点时间刷新测试以及20辆车、八轮异质性和参与压力测试。

研究结果部分按以下小标题展开:
- **系统架构与验证路径**:研究人员构建了包含车辆、RSU和全局层的三级层次化联邦学习框架。车辆层训练DP-XGBoost模型并生成签名报告与隐私记录;RSU层通过确定性准入和树袋聚合保证模型一致性,并附加SHA-256/Poseidon承诺与Groth16证明;全局层基于区块链收据对所有模型进行等权重集成,形成统一验证路径。验证机制能够拒绝无效或上下文不匹配的工件,并独立检查模型-锚点一致性、RSU聚合重放、承诺和公共输入。
- **性能评估**:在10次种子控制运行下,CSE-CIC-IDS2018数据集上的平均准确率±标准差为0.998021±0.000246,F1值为0.983597±0.002053;CICIoV2024数据集上平均准确率为0.999867±0.000152,F1值为0.999495±0.000579。结果表明系统在正常流量和攻击检测上具有高准确率。
- **泛化与时间刷新能力**:仅基于开发数据固定阈值后,严格留出攻击宏召回率在CSE-CIC-IDS2018和CICIoV2024上分别为0.8031和0.9090,表明存在残留的攻击特定泛化局限性,即对未见攻击类型的检测能力有待提升。在CSE-CIC-IDS2018上进行的监督式滚动原点时间刷新测试中,在0.005700测试假阳性率下获得了0.984788的合并已见攻击召回率,说明通过时间上连续刷新训练数据,系统能有效适应攻击模式演化。
- **鲁棒性与压力测试**:在受控的20辆车、八轮异质性和参与压力测试中,系统保持了0.998151的准确率和0.984782的F1分数,验证了在节点异构、动态参与场景下的稳定性。
- **隐私预算分析**:所报告的差分隐私预算(DP budgets)是学习者阶段对学习者输入记录实例的条件性边界,而非原始预处理记录的端到端保证。这意味着隐私保护仅作用于模型训练阶段的输入实例,而非原始传感器数据预处理前的记录,需在实际应用中注意隐私预算的适用范围。

在总结讨论部分,研究人员指出,尽管FL-BC-IDS在准确率和隐私保护方面表现出色,但留出攻击测试中较低的宏召回率(0.8031和0.9090)揭示了攻击特定泛化局限性,未来需通过更丰富的攻击类型采集或数据增强来提升未知攻击检测能力。此外,DP预算的阶段性条件性边界意味着系统未提供端到端隐私保证,实际部署中需结合预处理阶段的隐私保护措施。研究结论部分翻译如下:研究人员提出了FL-BC-IDS,一种证据原生、隐私感知的层次化联邦入侵检测系统,通过差分隐私XGBoost模型、确定性准入与树袋聚合、零知识证明以及区块链收据,实现了保持原始数据本地性的同时提供可独立验证的运行时证据。在多个数据集和压力测试中,系统展现了高准确率、鲁棒性和隐私保护能力,但攻击泛化局限性和DP预算的阶段性边界仍需进一步研究。该系统为车联网中的隐私保护入侵检测提供了可验证的分布式解决方案。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号