Prototype-guided collaborative transformer learning for decentralized edge–cloud intrusion detection

doi:10.1016/j.compeleceng.2026.111464

Prototype-guided collaborative transformer learning for decentralized edge–cloud intrusion detection

2026-08-28

0

OA

AI

D

Deema Mohammed Alsekait

M

Mahmoud Ahmad Al-Khasawneh

Francesco Benedetto *

DOI：10.1016/j.compeleceng.2026.111464

原文链接

原文求助

摘要

En 中文

日益复杂的去中心化边缘-云基础设施给可靠且可扩展的入侵检测带来了显著挑战，尤其是在异构流量条件和通信约束下。为解决这些问题，本文提出了一种协作式Transformer驱动的入侵检测框架，该框架整合了情境感知行为表示学习与原型引导的联邦协调。所提出的方法在每个监控节点采用轻量级Transformer编码器捕捉网络流量的时序依赖关系，同时基于原型的通信机制能够在不交换原始数据或完整模型参数的情况下实现高效知识共享。该设计维护了数据局部性，显著降低了通信开销，并促进了分布式模型的语义对齐。该框架在多个基准数据集（包括CIC-IDS2017、CSE-CIC-IDS2018、UNSW-NB15、CIC-IoT-IDS2023、CIC-DDoS2019和CIC-IoT-DIAD2024）下进行了评估，涵盖了同构和异构部署场景。实验结果表明，所提出的方法相较于传统的集中式、深度学习和联邦基准方法实现了性能提升，F1分数达到96%-97%，ROC-AUC约为0.98-0.99。此外，该模型展现出更好的可扩展性、更快的收敛速度、更低的误报率，以及在高强度攻击条件下的可靠性能。所提出的框架为去中心化入侵检测提供了一种有效且通信高效的解决方案，并展示了其在下一代边缘-云环境中支持可靠网络防御的潜力，尽管正式的隐私和对抗鲁棒性评估仍需未来研究。

Keyword:

Distributed cybersecurity

Network traffic analysis

Communication-efficient learning

Heterogeneous environments

Anomaly detection

Federated learning

Prototype-guided learning

Prototype-guided collaborative transformer learning for decentralized edge–cloud intrusion detection

摘要

期刊

机构

引用论文