faseekhan/Federated-Edge-AI-Threat-Hunting-for-Green-In-Vehicle-Consumer-Networks

# 使用 CICIoV2024 进行联邦机器学习以检测车联网入侵 使用卷积神经网络 (CNN) 实现的联邦学习模型，该模型在 CICIoV2024 数据集上进行了训练和评估，用于检测车载网络中的入侵。 https://ieeexplore.ieee.org/abstract/document/11563534 智能绿色交通中的主动威胁狩猎与异常检测：面向车载消费者网络的联邦边缘 AI 框架 # 概述 本项目使用卷积神经网络 (CNN) 实现了一个联邦学习模型。该模型在 CICIoV2024 数据集上进行了训练和测试，用于检测车载网络中的入侵。 本项目的主要目标是为车联网 (IoV) 环境构建一个保护隐私的入侵检测系统。在该系统中，数据保留在每个客户端本地，仅共享模型更新。这有助于在保持良好检测准确率的同时保护数据隐私。 # 目标 本项目的主要目标是： 开发基于 CNN 的模型，以检测 IoV 网络数据中的攻击。 使用联邦学习训练模型，无需共享客户端私密数据。 使用准确率、精确率、召回率、F1-score、混淆矩阵和 AUC 评估模型。 针对二元分类和多类分类测试模型。 # 联邦学习配置 联邦学习的设置遵循 TensorFlow Federated (TFF) 结构。该过程的工作原理如下： 模型初始化：创建一个全局 CNN 模型并将其发送给所有客户端。 本地训练：每个客户端使用自己的私有数据训练 CNN 模型。 模型聚合：收集来自所有客户端的训练好的模型更新，并在中央服务器上进行合并。 全局更新：将更新后的全局模型发送回客户端。 重复训练：重复这些步骤进行多轮训练，直到模型性能稳定。 # 数据集：CICIoV2024 CICIoV2024 数据集用于车载网络中的入侵检测。它包含带有标签的 CAN-bus 流量数据，包括来自不同车辆 ECU 的正常流量和攻击流量。 该数据集的主要特点包括： 真实的 IoV 攻击场景。 经过预处理且均衡的特征。 适用于基于 CNN 的入侵检测模型。 适用于联邦学习实验。 # 评估指标 模型使用以下指标进行评估： 准确率 精确率 召回率 F1-score 混淆矩阵 AUC 曲线 本项目支持二元分类和多类分类。

标签：TensorFlow, 卷积神经网络, 异常检测, 联邦学习, 车联网安全, 逆向工具