基于联邦学习和深度残差网络的入侵检测

深度学习被广泛应用到入侵检测领域，但大多数研究的重点是通过改进算法提高入侵检测的准确率，却忽视了在实际应用中单个用户拥有的数据无法满足训练需求的问题。为了实现网络入侵检测模型在训练过程中保护用户隐私安全的同时，仍具有对网络流量数据检测异常的能力，提出一种基于联邦学习并融合深度残差网络（ResNet）和注意力机制的入侵检测模型FL-SEResNet(Federation Learning Squeeze-and-Excitation network ResNet)。在训练过程中，通过对数据压缩、解压、分发、加密和聚合等操作，可以在保护参与者数据隐私的同时，通过多方参与提供足够的训练数据。在NSL-KDD和UNSW-NB15数据集上，所提模型在多分类实验的识别准确率分别为84.22%和80.38%。在NSL-KDD上，与同属于联邦学习的CNN-FL相比，对多分类的识别准确率提升了1.82个百分点，对少数类R2L(Remote to Local)的识别准确率提升了24.94个百分点。