基于联邦学习和卷积神经网络的入侵检测方法

论文提出了联邦学习在入侵检测方面的应用，将联邦学习与卷积神经网络相结合。在确保数据安全情况下，联合多方进行训练，同时还达到了扩充数据量的目的。

数据预处理：将数据集中符号数据数值化，然后进行归一化，是不同维度的数据规范化后具有可比性。最后将一维数据序列转化为二维矩阵格式，使卷积神经网络可以进行处理。

FC算法

1）每个参与者从第三方服务器获得初始的DCNN模型；

2）每个参与者用本地数据进行模型训练；

3）参与者将训练几轮后的中间结果上传至第三方服务器；

4）服务器聚合参数并更新全局模型，得到最新模型 ；

5）将最新的全局模型参数下发到各个参与方；

6）重复步骤2）~步骤5） ，直到模型收敛，结束训练。

实验1：验证了将一维数据转化为二维数据的有效性。

本文使用了KDDTrain、KDDTest和KDDTest-2 1数据集

将一维网络数据转换为二维数据的方法不仅提高了模型的精度，还降低了模型的运算成本。

实验2：DCNN模型深度即隐含层数对模型性能没有明显的影响。

实验3：使用FC算法构建入侵检测模型。

两种模型在测试集的准确率方面没有太大差异，在查全率上有所提升，虚报率有所下降，但在训练时间上有明显改善。

且FC算法数据更具有安全性。