本文介绍了一个数据集和一个关于物联网（IoT）众感知恶意软件检测的去中心化联邦学习（DFL）实验研究。该数据集包含来自良性和八种恶意软件攻击的行为记录。从系统调用、文件系统活动、资源使用、内核事件、输入/输出事件和网络记录中收集了共计21,582,484条原始记录。这些记录被聚合为30秒的时间窗口，结果是用于模型训练和评估的342,106条数据记录。在DFL平台上进行的实验比较了不同节点数量、拓扑结构和数据分布下的传统机器学习（ML）、集中式联邦学习（CFL）和DFL。结果表明，DFL在保持数据本地性的同时维持了竞争性能，在大多数情况下优于CFL。该数据集为研究物联网众感知环境的安全性提供了坚实的基础.
Feng等人（周五）研究了这个问题.