基于联邦学习的大数据隐私保护与协同网络安全检测模型研究

为应对大数据环境下隐私泄露与跨域协同检测难题，本文构建了一种基于联邦学习的网络安全检测模型。通过边缘节点本地训练与中央聚合器参数融合，实现多源数据的隐私保护建模。模型融合差分隐私与对抗防御机制，在保障数据安全的同时提升了检测鲁棒性。实验以UNSW-NB15和CIC-IDS2017数据集为基础，结果显示该模型在准确率、F1值、误报率等指标上优于传统方法，且在通信开销与攻击防护方面具备明显优势。研究成果为多方参与场景下的安全协同检测提供了有效技术路径。