赵 英 王丽宝 陈骏君 滕 建

(北京化工大学 信息科学与技术学院， 北京 100029)

引 言

随着网络信息技术的迅猛发展，互联网已成为人们日常工作和生活中必不可少的一部分，为人们带来了极大的便利，但同时也时刻威胁着人们的财产与信息安全，因此，进行网络信息安全研究具有重要意义。目前，作为网络安全研究的一个重要方向，网络入侵检测方法[1]已经成为网络安全技术领域研究的热点。

近年来，各种机器学习技术被应用于网络异常检测领域[2-4]，但由于传统机器学习需要人工选择特征，存在特征选择困难的问题，需要进行多次测试才能获取分类效果最佳的数据特征组合。深度学习技术是目前解决这一问题的最有效的一种途径。该技术能够自动学习原始数据中的特征，不需要进行人工选择，在自然语言处理、图像识别以及语音识别等领域都显示出较为优秀的识别分类性能[5]。因此，这一技术被越来越多的研究者应用到网络异常检测模型中，并获得了较好的效果[6-8]。

目前，缺乏标记数据是网络异常检测面临的重大挑战之一。如何利用不同数据源的网络流量数据来共同训练网络异常流量检测模型并保护数据隐私是一个亟待解决的问题。联邦学习(federated learning)[9]是解决多源数据共同训练模型的一种有效途径，这一概念是由Bernd等[10]最先提出的。联邦学习的宗旨是在不共享隐私数据的情况下进行协同训练，其不用汇聚模型训练所需要的数据进行集中计算，只是传递加密的梯度相关数据，利用多源数据协同训练同一模型[11]。……