由我院郑明副教授、罗永龙教授、研究生胡晓雯等人合作完成的一篇关于不平衡网络入侵检测的研究成果“Fed-UGI: Federated Undersampling Learning Framework with Gini Impurity for Imbalanced Network Intrusion Detection”被网络与信息安全领域顶级期刊IEEE TIFS录用并发表（https://ieeexplore.ieee.org/document/10795259）。

在现代互联世界中，网络的普及和信息技术的快速发展导致网络系统的安全风险和威胁日益增加。现有的入侵检测系统不断受到各种恶意入侵攻击的挑战。机器学习算法已被广泛应用于入侵检测。然而，模型训练需要足够的高质量样本的支持，尤其是攻击流量数据。出于数据安全和一些隐私政策的考虑，网络入侵检测数据集不允许组织之间共享。联邦学习是解决这个问题的最佳方法，在联邦学习框架中，各组织在数据不出本地的前提下，协同训练一个多方共享的全局模型，保证各方数据的隐私和安全。然而，组织所拥有的网络流量数据存在类别不平衡的问题，严重影响了模型的检测性能，并且导致模型训练时间消耗大。论文提出了一种新颖的基于基尼不纯度的联邦欠采样学习框架Fed-UGI。该框架基于哈希分块的欠采样方法对客户端进行重新平衡，解决了训练数据不平衡对模型检测性能的影响，提高了模型训练效率。此外，基于局部基尼不纯度加权的参数聚合策略可以进一步优化全局模型聚合的效果，降低客户端数据的分散程度和信息差异对模型聚合的影响。此外，在入侵检测数据集上进行的大量实验表明，与最先进的方法相比，论文所提出的Fed-UGI方法具有良好的检测效果，并且模型的训练时间减少了51.76% ~ 92.58%，尤其是在高度不平衡的情况下。成果论文题目为“Fed-UGI: Federated Undersampling Learning Framework with Gini Impurity for Imbalanced Network Intrusion Detection”，我院郑明副教授为论文第一作者，罗永龙教授为通讯作者，安徽师范大学计算机与信息学院为第一完成单位。

图1 Fed-UGI框架图

IEEE TIFS (IEEE Transactions on Information Forensics and Security) 是网络与信息安全领域国际顶级期刊，中国科学院一区TOP期刊，2023-2024最新影响因子（IF）为6.3，CCF A类期刊。