本次介绍的是自己对于基于联邦学习的异常流量检测的一些想法。

一、科研背景

随着网络技术的快速发展，各式各样的新型恶意攻击不断出现。网络异常流量检测是抵御恶意攻击、保护网络可用性和隐私安全的重要手段,对于维护网络安全有着至关重要的作用;
利用深度学习进行异常检测引起了广泛的研究，性能较好的深度学习模型的建立需要大量的数据样本。然而单一网络域内面临着数据不足、标注能力不够、且原始流量数据可能泄露域内的敏感信息和用户数据,因此难以训练出性能较好的异常检测模型。

传统的集中式模型训练方法需要用户将数据上传到服务器中，在服务器端实现数据收集、存储、模型训练，无法保证用户的数据隐私。联邦学习作为一种新的、隐私安全的机器学习框架,可以在各方不汇聚隐私数据的基础上共同训练模型。

二、科研问题

1、异常流量数据样本少，传统的集中式学习易造成用户隐私泄露。
2、参与联邦学习的用户数据量不平衡，容易造成较大的隐私预算。

三、科研目的

1、利用联邦学习框架解决网络流量样本少的问题；
2、针对客户端之间的不平衡数据，利用一种基于差分隐私的联邦学习(DP-FL)框架，设计了一种新颖的差分隐私卷积神经网络，采用自适应梯度下降(DPAGD-CNN)方法对新对每个用户的模型参数进行更新，提高隐私保护的性能。

四、研究内容

1、总体框架图

2、用户模型参数更新：

3、全局模型更新