联邦学习和证据理论在智慧城市网络安全态势感知中的应用研究

随着数字经济的全面推进,我国的“智慧城市”建设开始进入实质性的启动阶段,城市网络安全问题就更为突出、严重,面向智慧城市的城市级网络安全态势感知技术研究和应用迅速成为学术界和工业界的研究热点。此前,为得到性能更佳的态势感知模型,传统做法是利用机器学习、深度学习等手段集中训练网络数据,从而获得模型参数。但随着智慧城市中建设中网络设备类型增多,数据属性多样,流量内容复杂多变,网络边界模糊,影响态势评估的不确定性增加,加之对集中训练带来的数据安全和隐私保护的担忧,数据安全问题已然成为智慧城市中网络安全态势感知技术发展的重要制约瓶颈和亟需突破的关键挑战。在这种情况下,“联邦学习”的概念被提出,旨在保护数据安全与隐私的同时,利用分布的网络数据进行联合模型训练,从而达到或接近基于数据集中的训练效果。为此,该文借助“联邦学习”和“证据理论”,对智慧城市网络安全态势感知技术的应用模式和方法进行了研究和探讨,以期为智慧城市的网络安全态势感知技术发展提供一定的借鉴和参考。