Abstract
IoT ортасында деректердің үлкен көлемі көбіне шеткі құрылғыларда қалыптасады, ал оларды орталық серверге толық жинау құпиялылық талаптары, желілік шектеулер және есептеу ресурстарының жеткіліксіздігі салдарынан әрдайым мүмкін бола бермейді. Мұндай жағдайда федеративті оқыту деректерді құрылғыдан шығармай, ортақ модельді оқытуға мүмкіндік береді. Алайда нақты IoT жүйелерінде клиенттердегі деректер статистикалық тұрғыдан біртекті емес, яғни non-IID сипатқа ие. Бұл жұмыста осындай гетерогенділіктің IoT желілеріндегі заңсыз енуді анықтау сапасына әсері зерттелді. Эксперимент CICIoT2023 деректер жиыны негізінде жүргізіліп, деректер алдын ала өңделді және жергілікті таңдама көлемі тұрақты сақталған жағдайда класстар үлестірімінің бақыланатын сценарийлері қалыптастырылды. Орталықтандырылған, жергілікті және федеративті оқыту тәсілдері, сондай-ақ IID және әлсіз, орташа, күшті non-IID жағдайларындағы FedAvg пен FedProx алгоритмдері салыстырылды. Нәтижелер әлсіз және орташа гетерогенділікте екі алгоритм де жоғары сапаны сақтайтынын, ал күшті гетерогенділікте, әсіресе macro F1-score бойынша, класстар арасындағы теңгерімді тану нашарлайтынын көрсетті. Ең жоғары гетерогенді сценарийде FedProx FedAvg-пен салыстырғанда тұрақтырақ нәтиже берді: accuracy — 90,08%, macro F1-score — 89,89%, loss — 0,2351; FedAvg үшін бұл мәндер тиісінше 89,84%, 86,86% және 0,3081 болды. Осылайша, класстардың біртексіз үлестірілуі FL-IDS жаһандық моделінің жинақталуына және сапасына елеулі әсер етеді, сондықтан деректер қатты гетерогенді болған жағдайда тұрақтырақ агрегация схемаларын қолдану қажет.