一种基于多模态校验与反事实推演的联邦学习网络防御方法

本发明提供一种基于多模态校验与反事实推演的联邦学习网络防御方法、系统、电子设备及存储介质，在边缘侧，通过流式聚类、代表性采样与标签广播机制，高效完成海量日志的语义结构化。采用统计、语义与威胁情报三元校验机制构建高可信攻击因果图。进一步，将因果图转化为结构化因果模型，通过反事实推演量化评估防御措施对攻击阻断与业务中断的双重影响，生成基于收益‑代价比的最优策略。各节点通过安全本体映射与差分隐私保护，在本地数据不出域的前提下，利用最小‑最大后悔算法实现跨域因果知识联邦聚合与共享。该方案实现了边缘侧高效处理、攻击链精准推断、防御决策科学量化与隐私保护下协同进化的完整闭环。