针对5G网络中异构边缘节点非IID数据的对抗性强健联邦学习

5G及Beyond-5G（B5G）边缘网络的快速部署为部署于边缘的联邦学习（FL）框架带来了独特挑战，主要源于异构非IID数据分布及对抗性漏洞。本文提出了一种对抗性强健的联邦学习（ARFL）机制，结合混合特征选择与对抗性优化，联合提升对抗扰动的鲁棒性及在异构数据分布下的计算效率。该方法通过最小-最大化公式联合优化分类器和对抗者，实现对不同强度扰动的鲁棒性。基于真实入侵检测5G-NIDD数据集的实验结果表明，标准FL在对抗环境下表现严重下降，准确率、精确率、召回率和F1分数在ϵ=0.3时下降至20%至30%。相比之下，ARFL框架在所有非IID分布下各指标均维持在92%以上，突显其鲁棒性和可靠性。总体而言，ARFL在对抗准确率上较标准FL提升了20%至70个百分点，同时对干净数据的性能仅略有下降。可扩展性实验表明ARFL框架稳定高效，适合于强调鲁棒性与效率的真实5G边缘部署。