使用惯性动量感知IALM-RPCA的联邦物联网系统中信息完整性攻击防御

《IoT》:Defense Against Information Integrity Attacks in Federated IoT Systems Using Inertial Momentum-Aware IALM-RPCA

【字体: 大 中 小 】 时间:2026年08月27日 来源:IoT 4.3

编辑推荐:

  虽然联邦学习提供了一种去中心化的模型训练方式,但确保每个物联网客户端信息的完整性仍是一项挑战。这项工作深入研究了多阶段联邦学习的动力学、其对信息完整性攻击的敏感性,以及如何防御此类威胁。本文讨论了对数据不确定性和投毒攻击挑战的全面理解,为所提出的防御机制奠定了

  
虽然联邦学习提供了一种去中心化的模型训练方式,但确保每个物联网客户端信息的完整性仍是一项挑战。这项工作深入研究了多阶段联邦学习的动力学、其对信息完整性攻击的敏感性,以及如何防御此类威胁。本文讨论了对数据不确定性和投毒攻击挑战的全面理解,为所提出的防御机制奠定了坚实基础。本文核心是引入了一种新颖的多阶段联邦学习模型,它将联邦学习过程划分为不同阶段,并采用一种新颖的惯性动量感知的非精确增广拉格朗日乘子鲁棒主成分分析(IALM-RPCA)方法,该方法具有恒定动量因子,并保持传统方法的范数不变,每个阶段都针对效率和安全性进行了优化。随后,研究人员利用稀疏噪声模拟基于数据注入的投毒攻击,对该鲁棒框架进行了测试,并证明了所提出的恢复技术(如鲁棒主成分分析)的有效性。性能结果突显了所引入模型及新颖重构算法的韧性和效率,强调了该方法在实际物联网环境中的重要性。数据分析、模型摘要和对抗攻击的影响进一步强化了研究结果,这些结果通过严格的统计指标和机器学习算法进行了评估。本文最后承认其在检测和恢复数据投毒攻击方面的效率,提高了物联网环境中的鲁棒性和数据重构能力,同时强调了进一步加强安全性的机会。
随着物联网(IoT)设备数量的急剧增长,海量互联设备产生了大规模数据流,这给数据处理和机器学习模型训练带来了新的挑战。联邦学习(Federated Learning, FL)作为一种分布式训练范式,允许在保持数据本地化的同时协作训练模型,从而增强隐私保护并优化计算负载。然而,联邦学习的去中心化特性也引入了新的安全漏洞,尤其是来自客户端的数据投毒攻击(poisoning attacks)。攻击者通过在训练数据中注入稀疏噪声等恶意修改,破坏信息完整性,导致模型更新错误,最终危及整个学习系统。现有防御工作多集中于服务器端模型聚合或客户端更新检测,而针对训练前数据层面的客户端侧投毒攻击的防御仍存在不足。为此,研究人员提出一种多阶段联邦学习模型,并引入一种新颖的惯性动量感知的非精确增广拉格朗日乘子鲁棒主成分分析(Inertial Momentum-Aware IALM-RPCA)重构算法,以增强联邦学习系统对信息完整性攻击的鲁棒性和恢复效率。该成果发表于《IoT》。

研究人员采用UCI机器学习仓库中的N-BaIoT数据集,该数据集包含来自九台真实被Mirai和BASHLITE恶意软件感染的商业物联网设备的流量数据。实验选取其中设备5的子集,包括良性样本及对应的gafgyt和mirai攻击样本,共7,062,606个实例,每个实例由115个实数属性描述。首先,研究人员按设定的稀疏度(如0.05)随机选择数据条目,添加均值为0、标准差为5的高斯噪声,模拟客户端侧信息完整性攻击。为消除特征尺度差异,对带噪数据进行了标准化处理。随后分别使用传统IALM-RPCA和所提出的惯性动量感知IALM-RPCA(动量因子β=0.5,通过外推法引入惯性项,保持传统IALM-RPCA的核范数和阈值方式不变)进行低秩与稀疏分解,重构干净数据。重构后的数据集被分配给10个模拟客户端(独立同分布IID随机平衡采样),每个客户端使用Adam优化器和类别加权交叉熵损失,本地训练一个epoch后上传更新,服务器采用类似FedAvg的加权聚合策略更新全局模型。全局模型采用混合Inception-Transformer架构,其中Transformer编码器使用多头自注意力(MHSA)提取长程依赖,并将传统前馈子层替换为三个堆叠的Inception块以提取多尺度局部模式。特征选择过程使用包含50棵树的Extra Trees分类器,仅保留重要性高于平均值的特征,并重塑为三维格式输入网络。

研究结果部分如下:

4.1 数据集:N-BaIoT数据集包含1类良性流量和10类攻击流量,适用于多分类任务。研究选取设备5子集,使实验结果具有针对性。

4.2 混淆矩阵洞察:在无攻击情况下,模型对“无攻击”类别的真阳性率较高;对抗干预显著降低了正确分类数量;经过数据重构后,真阳性率明显提升,表明重构策略有效恢复了模型的判别能力。

4.3 对抗攻击的影响:在投毒率从0%到15%的不同场景下,全局模型在无攻击时第1轮准确率为73.11%,第10轮提升至82.74%;即使存在投毒攻击,全局模型仍保持较高的全局准确率,显示出对攻击的适应性。

4.4 随轮次(epoch)的准确率轨迹:惯性动量感知IALM-RPCA重构后的模型在所有攻击水平下的准确率轨迹均优于传统IALM-RPCA;且无攻击时模型性能最佳。

4.5 不同场景下的性能指标:对抗攻击显著降低了模型的准确率、精确率、召回率和F1分数;数据重构过程有效恢复了模型性能,其中惯性动量感知IALM-RPCA优于传统方法。

4.6 性能指标对比分析:在25%、50%、75%、100%攻击比例下,重构后模型的性能接近无攻击基线,准确率接近80%,而传统IALM-RPCA重构后的准确率略低(无攻击基线为83.34%),验证了新方法在重构质量上的优越性。

4.7 重构时间对比分析:在不同攻击比例下重复重构20次,惯性动量感知方法所需的平均时间(如25%攻击下为557.34秒)略长于传统IALM-RPCA(524.35秒),这是因为额外动量更新步骤增加了计算成本。然而,较长重构时间换取了更高的重构质量和分类性能,在网络安全场景中,消除攻击比时间效率更为重要。

4.8 不同β值在多种投毒攻击强度下的表现:当动量因子β=0.5时,模型在大多数攻击场景下取得鲁棒性与收敛速度的最佳平衡;β=0.7在100%攻击场景下获得最高F1分数(77.22%),β=0.3在50%攻击场景下表现最佳。β=0.1或0.9等极端值以及负β值均导致性能下降,表明适度的惯性动量对重构质量至关重要。

讨论部分指出,联邦学习在对抗条件下仍能保持良好性能,数据重构是缓解投毒攻击影响的关键。与以往基于N-BaIoT数据集的研究相比,本研究将该数据集扩展至联邦学习框架,并验证了惯性动量感知IALM-RPCA的实际部署潜力。未来可进一步探索更先进的重构策略、更多公开数据集、更大规模客户端数量以及更复杂的对抗攻击技术。研究结论为:本文深入研究了多阶段联邦学习模型在物联网环境中防御信息完整性攻击的复杂性,核心在于攻击检测与数据恢复的集成,构成了新技术。通过对稀疏噪声引起的投毒攻击的全面分析,利用IALM-RPCA算法证明了联邦学习在处理攻击后重构数据方面的鲁棒性。研究结果为物联网环境的持续发展和联邦学习等去中心化学习方法的日益普及提供了重要基础。此外,所提出的新方法在重构性能上优于传统IALM-RPCA。然而,物联网安全和训练的领域仍在不断发展,需要进一步研究,以推动该领域的持续进步和增强。
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