基于联邦学习和漂移检测的网络异常流量检测方法及系统

本发明公开了基于联邦学习和漂移检测的网络异常流量检测方法及系统，通过在多个边缘节点上进行数据预处理和时空特征提取，生成特征数据。每个边缘节点独立检测流量是否发生概念漂移，若检测到漂移，则启动增量学习并只更新变化的数据。更新后的本地模型参数上传至中央服务器，进行聚合并生成全局模型，经评估后再下发到边缘节点进行实时流量检测。该方法结合了联邦学习和漂移检测技术，不仅能保护数据隐私，还能提高网络流量检测的准确性与实时性，适用于大规模分布式网络中的流量监控和异常检测。并采用图神经网络和双向长短时记忆网络模型提升特征提取和模型训练的精度，保证在复杂网络环境中的稳定性和可靠性。