一种基于联邦学习框架的高效智能化网络攻击分类工具

本发明公开了一种基于联邦学习框架的高效智能化网络攻击分类工具，包括中央服务器和多个端侧节点，各端侧节点均部署本地模型，中央服务器部署中央模型，模型包括多任务逻辑回归、随机森林、XGBoost和长短期记忆神经网络分类器；本地模型收集本地网络流量数据，结合D‑S证据理论优化算法和四类互补分类器进行模型训练并进行异常数据检测分类，将加密后的异常数据以及相关关键更新参数传输给中央服务器；中央模型接收更新参数并聚合，更新全局模型后，基于异常数据结合D‑S证据理论优化算法进行攻击类型分类，并将分类结果和更新的全局模型重新分配至各端侧节点；本发明具有高鲁棒性和高效性，增强了适应性，提升对攻击场景的识别能力。