本次组会介绍是在《A Novel Network Abnormal Traffic Detection Method Based Neural Network for Imbalanced Network Traffic》研究工作的基础上，为了解决模型训练数据的共享和隐私问题，提出《Federated Learning With Blockchain for Intrusion Detection in Industrial IoT》，主要内容如下：

科研背景

在5G技术的支持下，未来的物联网设备将随时随地的保持着低延迟和高可靠性，每个设备都可以存储高质量的网络入侵检测模型，即使在失去连接的情况下也能够做出决策。为了保证设备上模型的准确性，需要与其他设备交换数据以获取更多的数据样本。

近年来，随着人们对隐私重视程度的增强，数据隐私保护方面出台了一系列的法律法规，数据隐私保护相关法律体系呈现日益健全化与规范化。出于保护商业机密、数据监管以及数据整理成本等因素考虑，加之缺乏激励机制，物联网中的数据所有者当前也缺乏数据共享的动力。

科研问题

1.传统联邦机器学习模型依赖单一的中央服务器，容易受到服务器故障的影响；

2.没有适当的奖励机制来激励用户提供数据训练和上传模型参数。

科研目的

1.使用区块链代替中央服务器，区块链网络允许交换设备的本地模型更新;

2.利用分布式联邦的方法共享模型参数而不披露实际数据，确保数据的安全性和隐私性；

3.采用POW和POA相结合的共识机制，验证和提供相应的奖励。

宏观图景框架