ОПТИМИЗАЦИЯ КОММУНИКАЦИОННЫХ ЗАТРАТ В ДВУХУРОВНЕ-ВОМ ФЕДЕРАТИВНОМ ОБУЧЕНИИ ДЛЯ ОБНАРУЖЕНИЯ КИБЕРТАК В IOT-СЕТЯХ: OPTIMISATION OF COMMUNICATION COSTS IN TWO-TIER FEDERATED LEARNING FOR CYBERATTACK DETECTION IN IOT NETWORKS
В статье рассматривается проблема снижения коммуника-ционных затрат в федеративном обучении для распределённых IoT-сетей при сохранении высокого качества обнаружения кибератак. В качестве основы ис-следования использован датасет CICIoT2023, содержащий данные о сетевом трафике и атаках в среде Интернета вещей. Для классификации применена од-номерная 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 мо-дели (88,87%), при этом разница по Macro F1 и ROC-AUC также остаётся прене-брежимо 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 эконо-мии трафика на 96,4%. Таким образом, предложенная архитектура демонстриру-ет эффективный баланс между качеством классификации и коммуникационной эффективностью и может рассматриваться как перспективное решение для мас-штабируемых систем кибербезопасности в IoT.
Сведения
- Опубликовано
- 2026 · Т. 7, № 3(27), С. 529-544
- Язык
- Русский
- ISSN
- 2708-2032 · 2708-2040
- Издатель
- International Information Technology University
- Аффилиации
- Казахский национальный исследовательский технический университет имени К.И. Сатпаева, Алматы, Казахстан
Университет Западной Англии, Бристоль, Великобритания.