联邦学习网络安全性研究物联网数据集2023
数据来源：互联网公开数据
标签：联邦学习, 隐私保护机器学习, 协同网络安全威胁检测, 分布式模型训练, 中间模型更新, 全局整合模型, 网络安全, 数据隐私, 分布式计算, 安全聚合, 模型个性化, 恶意攻击, 异常检测, 网络流量分析, 马尔ware分类, 入侵防御, 威胁情报, 边缘计算, 数据最小化, 差分隐私
数据概述：
本数据集是“CYBRIA - 联邦学习在网络安全性中的创新应用”研究项目的一部分，旨在开发一种隐私保护的联邦学习框架，用于协同网络安全威胁检测，同时不泄露机密数据。通过在客户端本地训练模型并仅共享中间模型更新，生成一个整合的全局模型。数据集包括使用Bot-IoT数据集进行入侵检测模型性能评估的相关数据，以及Cybria模型的实现细节。
数据用途概述：
该数据集适用于网络安全威胁检测、隐私保护研究、联邦学习架构评估等多种应用场景。研究人员可以利用此数据集评估联邦学习在网络安全中的应用效果；开发人员可以参考模型实现细节进行相关产品的开发；政策制定者可以基于数据结果优化数据隐私保护措施。此外，数据集也适合用于教育和培训，帮助学习者理解联邦学习技术在网络安全中的应用价值和潜力。
举例：
在使用Cybria框架进行模型训练时，假设有一个包含不同物联网设备的网络环境。通过在每个设备上训练本地模型并仅共享中间更新，Cybria框架可以实现对恶意入侵行为的高效检测。实验结果表明，Cybria的联邦学习方法在入侵检测任务上的准确率达到89.6%，相比传统的集中式方法提高了8-10%。这验证了联邦学习技术在提升网络安全威胁检测性能的同时，能够有效保护数据隐私。
