智能建筑正逐步成為現代基礎設施的核心，廣泛集成了互聯的物聯網設備、自動化控制系統以及自適應環境響應機制。然而，隨著其復雜性的不斷提高及對異構數據流依賴程度的加深，安全性和隱私保護面臨前所未有的挑戰。

針對這一問題，近期發表一項題為《6G互聯智能建筑中可信AI與聯邦學習的入侵檢測》的研究，提出了一種面向可持續性、以隱私保護和可解釋性為核心的去中心化入侵檢測系統（IDS），基于聯邦學習（FL）框架和可信人工智能技術。

將可信AI嵌入智能建筑環境：從6G需求出發

該系統通過引入可信人工智能技術，致力于在日益復雜的網絡威脅環境中保護智能建筑的運行安全，同時滿足即將到來的6G網絡對于極低延遲、高可持續性和零接觸管理的嚴苛要求。

聯邦學習如何革新入侵檢測機制？

傳統的入侵檢測系統（IDS）主要依賴中心化的機器學習模式，需將敏感數據上傳至外部服務器進行訓練和分析。這種方式不僅增加了隱私泄露風險，也難以滿足對實時性的高要求。而聯邦學習則提供了去中心化的訓練范式，允許各智能節點在本地保留原始數據，僅上傳模型更新，從而在保障隱私的前提下實現全局協同學習。這一“隱私優先”的設計理念對于涉及用戶行為和關鍵基礎設施控制的場景尤為重要。

該研究提出的 FL-IDS 系統集成了兩個卷積神經網絡（CNN），分別用于分析網絡流量和物聯網傳感器數據。模型更新而非原始數據被發送至聯邦服務器進行聚合，有效避免了數據外泄的風險，同時保留了快速響應能力，適用于對時間敏感的智能環境。

數據工程與系統架構：支撐高效實時檢測

系統的數據工程流程尤為關鍵。研究人員采用 ToN-IoT 數據集——一個融合網絡、操作系統與遙測數據的綜合模擬基準——構建了一個“零接觸”系統，實現了數據清洗、采樣及圖像轉換的自動化處理流程。傳感數據被轉化為 RGB 圖像輸入至 CNN 模型中，從而在最小計算負載下實現高效分析。這種圖像化表示方式不僅優化了數據壓縮效果，還與6G智能系統對能效的要求高度契合。

值得信賴且可持續的入侵檢測系統設計

研究著重強調系統的三大設計原則：可持續性、適應性與可信度。通過高效的數據預處理流程，將原始 60 GB 的交通數據壓縮為僅 2 MB 的圖像數據，大幅降低了存儲與計算負擔，適用于資源受限的邊緣計算場景。同時，采用基于時間窗口的數據聚合策略進一步提升了模型的訓練效率與樣本代表性。

系統的可信度建立在多層次的人工智能框架之上。CNN 模型可識別時間編碼的網絡行為圖像，結合 Grad-CAM（梯度加權類激活映射）實現可解釋性分析，生成特征熱圖以揭示模型判斷依據。這種可解釋性對于以人為核心的建筑環境至關重要，可有效降低誤報對用戶安全與舒適度的影響。

為應對聯邦學習環境中可能存在的安全威脅，系統引入了安全聚合機制。包括梯度限幅（clipping）與歸零等策略在內的防護措施，能夠緩解由惡意參與者發起的模型投毒攻擊。在高達 20% 客戶端注入有害數據的實驗條件下，系統依然維持了較低的誤報率和漏報率，展現出極強的魯棒性。

此外，系統具備零接觸的自動化機器學習運維（MLOps）能力，涵蓋數據預處理、模型訓練與更新全過程，無需人工干預，有助于實現智能基礎設施的實時動態安全管理。

去中心化優勢顯著：FL-IDS性能優于集中式方案？

通過精度、召回率和混淆矩陣等指標，研究團隊系統地對比了聯邦模型與傳統集中式模型的性能。在獨立同分布（IID）環境中，FL-IDS 在威脅檢測準確率與召回率方面均超過99%，誤報率僅為 3.24%，漏報率則低至 0.47%，表現優異。

在不同類型的物聯網設備中，車庫門和運動光傳感器的數據表現尤為精準，而天氣和恒溫器傳感器誤報率略高，提示在實際部署中仍需針對特定設備進行進一步校準。值得強調的是，即使在非獨立同分布（non-IID）的客戶端環境中——這是現實建筑中常見的情況，因各建筑配置及傳感器布局差異顯著——系統依然能夠保持高效檢測性能。

研究還設計了三種數據分布實驗，包括理想的 IID 場景和模擬針對性攻擊的數據不均勻分布，結果表明，雖然收斂速度存在差異，但最終模型性能始終保持穩定，展示了出色的適應性和彈性。

在模擬中毒攻擊的測試中，安全聚合機制同樣發揮關鍵作用。通過限幅與歸零策略組合，不僅有效抵御了惡意更新，還能夠識別被感染的客戶端，增強系統的可追溯性與整體安全性。

以下為該論文的摘要與結論，更多詳情可查看原文：https://www.mdpi.com/1999-5903/17/5/191

摘要

智能建筑應用需要強大的安全措施來確保系統功能、隱私和安全。為此，本研究提出了一種由兩個卷積神經網絡 (CNN) 模型組成的聯邦學習入侵檢測系統 (FL-IDS)，用于同時檢測網絡和物聯網設備攻擊。跨多個協作智能建筑進行協同訓練，無需直接共享數據即可開發模型，從而從設計上確保隱私。

此外，該方法的設計考慮了三個關鍵原則：可持續性、適應性和可信度。所提出的數據預處理和工程系統顯著減少了 CNN 需要處理的數據量，有助于限制處理負載和相關能耗，從而實現更可持續的人工智能 (AI) 技術。此外，數據工程流程（包括采樣、特征提取和數據圖像轉換）的設計考慮了其適應性，能夠集成新的傳感器數據并無縫融入零接觸系統，并遵循機器學習操作 (MLOps) 的原則。所設計的 CNN 可用于研究人工智能推理，并實現可解釋人工智能 (XAI) 技術，例如本文分析的相關圖。使用 ToN-IoT 數據集，結果表明，所提出的 FL-IDS 的性能可與集中式系統相媲美。為了解決 FL 的特定漏洞，我們引入了一種安全且強大的聚合方法，使系統能夠抵御來自高達 20% 參與客戶端的投毒攻擊。

……

結論

本研究介紹了一種分布式人工智能解決方案的開發，該解決方案利用邏輯推理 (FL) 技術，注重可持續性，并實現零接觸管理，同時提供“可信人工智能”框架。對該方法的性能評估指出了以下關鍵見解。

關于“數據預處理和工程”，該方案只需極少的設置，并通過自主清理和轉換數據顯著減少了人工干預的需求。除了改進的工作流程外，該方法還通過有效地減少數據量實現了項目的可持續性目標。時間采樣和跨三個顏色通道的圖像轉換等技術被用于增強數據壓縮。該流程設計為通用流程，并已有效應用于網絡和傳感器數據。其多功能性表明其在未來項目中也有可能應用于其他類型的數據，從而凸顯了其普遍的實用性。

關于人工智能的可信度，該架構確保了邏輯推理 (FL) 的安全客戶端-服務器連接，以保障數據的完整性和機密性。它還采用安全的聚合方法來抵御潛在的惡意客戶端干擾。此外，它還運用Grad-CAM等可拓展人工智能(XAI)技術，讓用戶深入了解AI的決策過程，從而增強用戶對解決方案的信任。

對所提出的FL-IDS進行性能分析，結果顯著：在網絡數據上，實現了高準確率和召回率，同時最大程度地降低了假陽性率(FPR；約3%)和假陰性率(FNR；約0.5%)。雖然傳感器性能存在差異，有些傳感器取得了完美的結果，而有些則表現出較高的FPR，但整體效果值得關注。該框架的多功能性體現在對網絡和傳感器數據的統一處理上，這在支持各種數據的同時顯著減少了數據量。此外，所實施的可拓展人工智能(XAI)技術未來可用于分析某些傳感器高FPR的原因。

本研究證明了基于FL的智能建筑可持續自動化入侵檢測系統的可行性。所提出的解決方案通過創新數據預處理和維護可信的AI框架來實現這一目標。

這項工作為在智能建筑場景中可持續且值得信賴的人工智能的應用提供了諸多創新，同時也為未來的研究開辟了道路。其中最關鍵的一點在于使用 ToN-IoT 數據集。該數據集在智能建筑入侵檢測領域提供網絡和遙測數據方面具有寶貴的資源；然而，該數據集是模擬的，攻擊對網絡和遙測數據的影響之間沒有明確的關聯。

未來的研究方向概述如下。需要在實際場景中應用相同的方法，以進一步測試解決方案，并深入了解設備的資源消耗以及 FL-IDS 在實際場景中的檢測能力。此外，收集包含關聯網絡和物聯網數據的實際數據集，將使統一的分類策略成為一種可行的選擇，這與本文提出的物聯網數據二分類和網絡數據多分類不同。未來研究中將開展的其他分析包括但不限于探索不同的采樣窗口大小、數據平衡技術、可擴展人工智能 (XAI) 技術和深度神經網絡 (DNN) 架構。