-
题名基于投票机制的联邦学习恶意代码检测:以电网为例
- 1
-
-
作者
王琼赟
王萌
张亚昊
史睿
郭琪
吴京航
-
机构
北京信息科技大学理学院
国家电网有限公司信息通信分公司网络安全监控中心
-
出处
《武汉理工大学学报(信息与管理工程版)》
CAS
2024年第4期644-650,657,共8页
-
基金
国家电网有限公司总部科技项目(5700-202358388A-2-3-XG)
未来区块链与隐私计算高精尖中心项目(5026023401).
-
文摘
为了保护电网企业二级单位的用户隐私,增加分布式终端的病毒检测能力,将联邦学习框架应用于恶意代码检测任务中。在该框架中,通过使用局部模型来计算全局模型参数。提出了基于投票机制的联邦学习恶意代码检测方法。在设备的通信过程中,不发送节点的原始数据,而是发送模型参数,有效保护了各设备的数据隐私。通过随机选择用户参与投票,控制中心可依据投票结果调整本地和全局模型的超参数。最后,通过加权聚合来汇聚本地模型参数,以获得一个高精度的全局恶意代码分类模型。该模型将在提供隐私保护的同时,维持了较高的恶意代码检测精度。实验证明该方法在多个恶意代码数据集上的分类精度均有提高,且使模型的损失函数值降低。
-
关键词
联邦学习
恶意代码
神经网络
投票集成
代码可视化
-
Keywords
federated learning
malware
neural network
voting integration
code visualization
-
分类号
TP319
[自动化与计算机技术—计算机软件与理论]
TP181
[自动化与计算机技术—控制理论与控制工程]
-