[发明专利]一种分布式物联网异常检测方法

说明书

本发明提供一种分布式物联网异常检测方法，该方法包括以下几个步骤：进行异步FL参数和全局模型的初始化；终端设备基于本地数据来训练本地模型使用；将本地模型参数输入DP‑GAN算法生成一组合成本地模型参数；将合成本地模型参数广播到区块链P2P网络来进行全局聚合；全局模型参数以块的形式向整个区块链P2P网络广播，并用于下一轮迭代的本地训练，直到达到收敛，完成训练。本发明在精确地检测物联网应用过程中出现的异常情况的同时可以很好的保护用户隐私，具有较高的实用价值和推广前景。

技术领域

本发明涉及异常检测领域，具体涉及一种基于隐私增强异步联邦学习的分布式物联网异常检测方法。

背景技术

物联网（IoT）系统的普及促进了智能城市中的现代应用的发展，为城市基础设施和城市生活带来了极大的便利。然而，物联网系统正面临严峻的网络安全风险，这可能会导致公共事业产生巨大的经济损失。因此，物联网设备的异常检测已成为保障智能城市安全的重要研究课题。

传统的异常检测工作侧重于使用机器学习技术分析生成的时间序列数据，而现有的方法主要由有监督、半监督和无监督模型发展而来，这些方法在异常检测领域都取得了成功。然而，在具有分布式边缘节点的物联网应用中，实时、准确地进行检测仍然是一项具有挑战性的任务。造成这一情况的主要原因是，在终端设备算力、通讯资源有限的情况下，将生成的所有数据上载到中央服务器是不可行的。此外，由于收集的数据通常包含敏感信息，这在数据窃听和数据泄漏方面带来了重大隐私问题。为了克服这些问题，联邦学习（FL）作为一种分布式机器学习范式，已经成为异常检测领域的一个强有力的补充方案。特别是，它使边缘节点能够在本地训练检测模型，而无需共享原始训练数据。尽管FL具有明显的隐私优势，但最近的研究表明，在整个FL学习过程中，攻击者仍然可以根据共享参数大致推断敏感信息。因此，隐私增强FL受到了广泛的关注。最近的方法主要依赖于一些经典的密码协议：同态加密（HE）、差分隐私（DP）和安全多方计算（SMC）。遗憾的是，上述技术在直接应用于物联网异常检测场景下还存在许多缺陷。第一，由于交互解密的需要，基于HE方法的通信开销将严重增加，特别是对于神经网络中的高维数据而言更是如此。第二，SMC框架要求参与者的数据在非共谋服务器之间进行秘密共享，然而该方法容易受到推理攻击。第三，使用DP的FL方案可能会给模型参数数据添加太多的噪声，这可能导致检测性能差。在某些情况下，全局联合学习模型可能无法收敛。因此，FL的设计仍然需要进一步的参数保护以及隐私安全级别和系统性能之间的权衡研究。

发明内容

为了解决物联网设备的异常检测工作中面临的隐私泄露问题，本发明提供了一种分布式物联网异常检测方法，以去中心化的异步FL和区块链技术相结合，从而满足实际分布式物联网应用场景下的异常检测对实时性和准确性的需要；同时还设计并引入一种新型的GAN网络驱动下的差分隐私算法（DP-GAN），提升了该方案的隐私保护效果。

本发明提出了一种分布式物联网异常检测方法，该方法包括以下几个步骤：

步骤 S1，进行联邦学习参数和全局模型的初始化；

步骤S2，在联邦学习异常检测中，终端设备基于本地存储的数据来训练本地模型；使用过时系数来降低逾期本地模型参数的影响；

步骤S3，将本地模型参数输入DP-GAN算法生成一组合成本地模型参数，具体的将步骤S2中生成的本地模型参数输入GAN的发生器（G），发生器（G）生成一组合成的本地模型参数，然后将生成的合成本地模型参数视为鉴别器（D）和DP标识符（I）的输入，该合成本地模型参数满足这两个感知器的要求，就将该参数作为输出结果进入下一步骤，其中DP-GAN的对抗模型公式为

其中是预先注入的噪声样本；是参与训练的数据样本， 表示计算期望值，是指交互式鉴别器和标识符所组成的新结构；

步骤S4，将步骤S3得到的合成本地模型参数广播到区块链P2P网络来进行全局优化，各终端设备在区块链P2P网络中完成共识过程，在共识过程中，由获胜的终端设备进行全局聚合操作得到该轮的全局模型参数，并生成存储全局模型参数的块；