一种解耦式自适应的个性化联邦学习入侵检测方法

本发明公开了一种解耦式自适应的个性化联邦学习入侵检测方法，通过客户端预处理、双阶段样本均衡、本地模型训练、解耦式联邦聚合、模型集成、测试时适应、迭代循环的端到端流程实现，核心包含双阶段平衡模块、解耦式批归一化网络与轻量级测试时适应机制；双阶段平衡模块在不上传原始数据的前提下，通过联邦自适应方向注入技术扩充稀有攻击样本，并利用批归一化感知机制优化困难样本的学习；解耦式批归一化网络采用分层聚合机制，将特征提取器权重与批归一化统计参数解耦处理；轻量级测试时适应机制通过在线调整批归一化参数。基于此，本发明可在保障各机构数据隐私不泄露的前提下，提升协同入侵检测系统对稀有、高隐蔽性及新型攻击的检测能力。