32、ProvIoT：通过联邦学习检测物联网中的隐蔽攻击

ProvIoT：通过联邦学习检测物联网中的隐蔽攻击

1. ProvIoT 联邦方法评估

在评估 ProvIoT 的联邦方法时，我们以 Kodi 作为代表性应用，将其与传统的集中式架构进行对比。实验结果显示，ProvIoT 仅牺牲了 1% 的精度，却换来了联邦架构在可扩展性、隐私性和可靠性方面的显著优势。集中式模型在完整数据集上进行训练，实现了 0.97 的精度和 0.99 的召回率。而 ProvIoT 使用了 16 个安装了 Kodi 的良性部署客户端进行训练，并在恶意测试平台上对这些模型进行评估，最终达到了 0.96 的精度和 0.99 的召回率，其性能与集中式方法几乎相同。

架构类型	精度	召回率
集中式架构	0.97	0.99
ProvIoT 联邦架构	0.96	0.99

为了展示 ProvIoT 如何克服物联网设备上基于溯源的异常检测的数据视图限制，我们通过可视化随着更多客户端加入系统时本地大脑（Local Brains）的平均性能来进行说明。随着新的本地大脑加入，它们能看到不同的数据，云大脑（Cloud Brain）可以聚合这些传入的模型，从而导出一个更能理解完整良性分布的全局模型。随着新客户端的引入，模型的召回率和精度得到了显著提升。