可靠的物联网基础设施：具有高效安全聚合的隐私保护联合学习用于网络安全

智能设备由于物联网（IoT）的快速发展而变得无处不在。为了恢复其服务的精确性和优质性，服务提供商正在积极收集大量客户数据以训练机器学习模型。然而，这种技术使人们对个人信息的安全性产生了担忧。最重要的是，这一过程在不直接将数据传输到中央服务器的情况下完成，这大大减少了隐私泄露的风险。由于机器学习算法在本地运行，用户数据在联合学习中保持本地，仅将本地经典信息传回中央服务器。然而，新的研究表明，本地模型同样考虑了用户数据的隐私。此外，采用现有的隐私保护安全聚合方法进行训练需要非常昂贵的计算资源，或提供不足的准确性。我们的工作提出了一种安全且高效的聚合方案，用于隐私保护的联合学习，能够最小化计算成本。该方案非常适合低功耗物联网设备，因为它具有弹性和容错性，使用户能够随时加入或离开系统，而不会对联合学习过程产生负面影响或导致异常终止。结合两种方法的最佳特性，本研究采用了一种基于混合随机森林和卷积神经网络（CNN）的新攻击分类模型。使用CICIoT2023数据集，我们验证了建议的方法，并表明它提高了物联网生态系统的安全性。迫切需要轻量级、可信任和隐私保护的物联网基础设施，而这项研究有助于满足这一需求。随着网络安全威胁的演变，维持答案的有效性显得尤为重要。将私有数据集成到物联网环境中，所建议的系统表现出可信任性。