ОПТИМИЗАЦИЯ КОММУНИКАЦИОННЫХ ЗАТРАТ В ДВУХУРОВНЕВОМ ФЕДЕРАТИВНОМ ОБУЧЕНИИ ДЛЯ ОБНАРУЖЕНИЯ КИБЕРАТАК В IOT-СЕТЯХ

Аннотация

В статье рассматривается проблема снижения коммуникационных затрат в федеративном обучении для распределённых IoT-сетей при сохранении высокого качества обнаружения кибератак. В качестве основы исследования использован датасет CICIoT2023, содержащий данные о сетевом трафике и атаках в среде Интернета вещей. Для классификации применена одномерная сверточная нейронная сеть (1D-CNN), а сравнение выполнено между классической одноуровневой архитектурой FL и предложенной двухуровневой иерархической схемой с промежуточными шлюзами агрегации. Эксперименты проводились на 20 имитируемых устройствах в течение 21 раунда обучения. Полученные результаты показали, что двухуровневая архитектура обеспечивает точность 88,82%, что практически соответствует результату одноуровневой модели (88,87%), при этом разница по Macro F1 и ROC-AUC также остаётся пренебрежимо малой. Основное преимущество предложенного подхода заключается в резком снижении нагрузки на глобальный сервер: число глобальных передач параметров сокращается с 420 до 15, то есть в 28 раз, что соответствует экономии трафика на 96,4%. Таким образом, предложенная архитектура демонстрирует эффективный баланс между качеством классификации и коммуникационной эффективностью и может рассматриваться как перспективное решение для масштабируемых систем кибербезопасности в IoT.