查看更多>>摘要:随着物联网(IoT,Internet of things)设备的迅速普及,针对IoT设备的攻击频率和强度不断上升,因而持续更新安全机制以保障物联网设备的安全显得尤为重要.然而,随着公众隐私意识的增强,越来越多的数据集不再对外共享,形成数据"孤岛"现象,阻碍了物联网安全防护能力的提升.为了解决这一问题,提出了一种基于联邦强化学习的入侵检测方法,并通过医疗物联网(IoMT,Internet of medical things)和车联网(IoV,Internet of vehicles)场景下的两个数据集进行实验验证.为模拟真实环境,在每个边缘代理中设计了不平衡的流量样本分布,进而评估全局模型的检测精度和鲁棒性.采用双深度Q网络(DDQN,double deep Q-network)为边缘代理的强化学习框架,并通过准确率、精确率、召回率和F1 分数对实验结果进行评估.实验结果表明,提出的方法具有良好的鲁棒性和检测精度.