该论文研究了在云-边缘安全分析中，联邦学习（FL）用于入侵检测时的客户端选择问题。在生产环境中，由于带宽异构、掉队者和掉线等问题，服务器可能依赖过时的客户端信息，影响检测的时效性和鲁棒性。作者将客户端选择建模为时效感知的系统问题，引入“信息年龄”（Age of Information, AoI）概念，并提出了三种轻量级策略：AoI优先、效用优先以及混合AoI+效用规则（带可调权衡参数）。在CIC-IDS2017 DDoS/PortScan子集、NSL-KDD、ToN-IoT以及合成漂移基准数据集上，分别针对干净、投毒和投毒加鲁棒聚合设置进行实验。结果表明，与随机采样相比，AoI感知选择平均降低约39-41%的平均AoI和约70%的峰值AoI，同时保持固定的每轮通信预算。混合策略通常能维持Macro-F1/AUC，并提供可解释的旋钮来平衡新鲜度、检测质量和鲁棒性，但在加入误报率指标后并非严格Pareto最优。鲁棒性通过将AoI引导选择与修剪均值聚合结合在标签翻转投毒下评估，但选择策略本身并非独立的拜占庭防御机制。主要实践启示是：云-边缘隐私保护入侵分析可以通过轻量级调度层改善时效性，而无需改变底层FL参与预算。