基于预训练语言模型联邦分割学习的网络入侵检测方法

针对网络入侵检测系统中隐私保护与攻击识别的双重需求，本发明提出了一种基于预训练语言模型联邦分割学习的网络入侵检测方法。对于攻击检测中面临的流量特征提取困难、边缘设备算力受限、以及分布式节点间数据隐私壁垒等挑战，本方法融合联邦学习的隐私保护机制与分割学习的计算卸载优势，构建面向流量特征分析的预训练语言模型学习架构。该方法通过分层分割策略将预训练语言模型解耦为边缘侧轻量化模块与云端深度推理模块，通过基于多头注意力机制的联邦聚合实现全局模型稳定性与本地个性化的平衡优化。边缘侧引入对抗增强机制，将预训练语言模型的特征提取能力与生成对抗网络的动态博弈相结合，通过对抗样本重构提升模型对复杂网络攻击的泛化能力。