EdgeDetect：基于重要性感知梯度压缩与同态聚合的联邦入侵检测 EdgeDetect: Importance-Aware Gradient Compression with Homomorphic Aggregation for Federated Intrusion Detection

完整方法分四阶段。Phase 1（本地训练）：服务器广播 $W^{(r)}$，每个客户端 $i$ 做 $E$ 个本地 epoch，$W_i^{(r+1)} = W_i^{(r)} - \eta \nabla L(W_i^{(r)}, D_i)$，计算更新 $\Delta_i^{(r)} = W_i^{(r+1)} - W^{(r)}$。Phase 2（梯度 smartification）：对每个客户端独立计算阈值 $\theta_i = \text{median}(|\Delta_i^{(r)}|)$，然后 $\Delta_{i,bin}^{j} = +1$ 若 $\Delta_i^{(r)}[j] \geq \theta_i$，否则 $-1$，输出一个 $d$ 维 ±1 向量。Phase 3（同态加密）：用 Paillier 公钥 $(n, g)$ 对 $\Delta_{i,bin}$ 逐元素加密 $C_i^{(r)}[j] = g^{\Delta_{i,bin}^j} \cdot r^n \mod n^2$（$r$ 为随机 nonce），得到密文向量。Phase 4（安全聚合与全局更新）：服务器对收到的活跃客户端集合 $S_r$ 在密文上做 $C_{agg}[j] = \prod_{i \in S_r} C_i^{(r)}[j] \mod n^2 = E_{pk}(\sum_i \Delta_{i,bin}^j)$，私钥解密归一化 $\Delta_{agg}^{bin}[j] = \text{Dec}_{sk}(C_{agg}[j]) / |S_r|$，最后更新 $W^{(r+1)} = W^{(r)} + \alpha \cdot \Delta_{agg}^{bin}$。前置的预处理流水线独立于 FL 循环：先做特征工程（流间到达时间统计 $\Delta t_{mean}$、$\Delta t_{std}$、包大小熵 $H(S) = -\sum_s p(s)\log_2 p(s)$、RFE 特征选择），再做标准化 → Incremental PCA（$Z_{PCA} = ZV_k$，$k=35$，$\sum_{i=1}^{35}\lambda_i / \sum_{i=1}^{78}\lambda_i \geq 0.993$），最后做类别平衡（二分类随机欠采样到 7,500+7,500，多类用 SMOTE 生成 5,000/类共 35,000）。

技术新颖性集中在 '中位数阈值 + 二值化 + 同态加密' 这条组合链上。单个组件都不算新——中位数阈值在 Robust Statistics 里是 60 年代的概念、Paillier HE 是 1999 年的工作、signSGD 量化也是 2018 年 NeurIPS——但它们的耦合方式有差异化贡献：（1）smartification 是首次在 IDS 场景下验证 'median-based adaptive binarization' 比固定零阈值收敛更稳（实验中 K=50, α=0.1 高异构下比 signSGD 多 2.1 pp）；（2）把 binarization 放在 encryption 之前是一个有意识的设计选择，避免了 HE 作用在 32 位浮点上产生的密文膨胀，同时理论上 $\gamma$-bound 给出收敛率 $O(1/\sqrt{\gamma T})$；（3）系统级贡献在于把 PCA / SMOTE / Smartification / HE / DP 五件套首次在 CIC-IDS2017 7-class 上做到 98.0% 准确率并通过消融实验（Table XII）量化了每一件的边际贡献。论文也提供了从 Paillier 密文到 $W^{(r+1)}$ 更新的完整算法伪代码（Algorithm 1）和 FedProx 集成（$\mu = 0.01$ 在高异构下提升到 95.1%）。

独立的弱点分析（按严重性排序）：（1）Paillier 同态加密只支持加法不支持乘法，限制了它与非线性模型（如带 sigmoid 输出的神经网络）一起用——要部署 MLP 必须用 CKKS/BFV 这类近似同态方案，但本文对此只字未提；（2）median-threshold binarization 对每客户端独立计算阈值，但 $\text{median}(|g|)$ 的鲁棒性在客户端数量 K 很小时（K=10）会退化，因为梯度样本量不足以稳定估计中位数，Table XI 显示 K=10 时 R98 反而比 K=500 少（201 vs 467 轮），但精度相近，意味着小 K 下的稳定性缺乏统计保证；（3）PCA 阶段把 78 维压到 35 维是离线做的，假设所有客户端数据 IID 分布到 PCA 主成分上——但实际 IoT 设备的流量分布差异很大，本地 PCA 的主成分方向可能与全局 PCA 不一致，论文没有处理 client drift 下的 PCA 不对齐问题；（4）SMOTE 的 $\lambda \sim \text{Beta}(\alpha, \beta)$ 用了局部稀疏度 $\rho_i$ 做 density-aware，但 $\rho_i$ 在非平衡联邦下估计不准，可能生成低质量合成样本；（5）Poisoning 实验只测了 5% 和 20% 恶意客户端，缺少 model replacement、gradient ascent 等更强攻击；（6）Raspberry Pi 4 的实验只测了推理延迟（0.8 ms）和能耗（12 mJ），没测 FL 训练时每客户端的内存峰值和实际通信耗时，'edge deployment' 这个结论只覆盖了推断阶段。

作者提出的方向：（1）累积隐私损失的紧致界（tight composition bound）和自适应噪声调度；（2）非凸深度模型下 gradient smartification 的收敛性证明；（3）概念漂移下的在线联邦 IDS 框架；（4）白盒场景下的鲁棒聚合（如与 Krum / Multi-Krum 结合）。基于结果可延伸的：（5）把 median-threshold 推广到 adaptive percentile（如 75 分位数）或基于梯度范数的可微阈值，让 $\gamma$ 在训练过程中动态变化；（6）用 CKKS 替换 Paillier 推广到神经网络，研究 N-party 共谋场景下的安全性；（7）扩展到 6G-IoT 真实场景（K=10,000+、非平衡、非同步、间歇性掉线）并和 split learning、knowledge distillation 等做对比；（8）探索 differential privacy + Paillier 的最优耦合点（是先 DP 再 HE 还是反过来），本文没做这个 ablation；（9）建立 gradient inversion 攻击的标准化 benchmark，目前论文用 PSNR 一个指标不够，应该加 SSIM、特征恢复率、成员推断 AUC；（10）将 smartification 思想扩展到纵向联邦（vertical FL），因为各客户端持有不同特征子集时中位数阈值的定义会变化。

复现评估整体较好：核心算法伪代码（Algorithm 1）完整公开了 Paillier 密钥生成、本地训练、smartification、加密、聚合、解密、归一化、全局更新八步的输入输出；超参数表（Table III、Table IV、Table XVIII）覆盖了 LR、SVM、RF、DT、KNN、GB、MLP 的两组 Config 网格搜索范围；PCA 用了 incremental PCA + StandardScaler，35 个主成分、99.3% 方差阈值都明确给出。数据方面，作者使用了公开的 CIC-IDS2017（2,830,743 条记录、78 特征、7 类），并对采样有效性做了 Kolmogorov-Smirnov 检验（92% 特征偏差 < 5%，p > 0.05，Table I），可信度较高。代码方面，论文没在摘要中明确给出 GitHub 链接，但有 algorithm 1 + 详细公式，理论上可独立实现。算力方面，训练只需 Intel i7-9700K + 32GB RAM 单线程；联邦实验 K=500 时单轮 14 MB、累计 6.54 GB 通信，桌面级网络即可；边缘部署在 Raspberry Pi 4 上推理 0.8 ms，单次 12 mJ。复现难度：中等——主要难度不在算法而在数据预处理流水线（缺失值中位数填补、float64→float32 节省 47.5% 内存、RFE 特征选择 + PCA）和 Paillier 的 2048-bit 大数运算（建议用 gmpy2 或 pycryptodome）。风险点：作者是单作者、无外部资助（论文末尾声明），且 2026 年 4 月才发布到 arXiv，社区验证尚少；Table XII 的消融数据虽然完整但缺少对超参数敏感性的 ±SE 区间，部分结论（如 '98.0% vs 98.2% 差异 p>0.05'）需要读懂假设检验细节才能复现。