本文针对联邦学习在网络入侵检测（NIDS）中的应用，系统研究了隐私保护、鲁棒性和类别不平衡检测覆盖三者之间的权衡关系。联邦学习允许在不集中敏感流量数据的情况下进行协作训练，但在实际部署中必须同时满足三个相互竞争的要求：严格的差分隐私保证、对拜占庭恶意参与者的容忍能力，以及在严重类别不平衡下对各类攻击的可靠检测。现有文献往往将这三个性质视为可独立组合的模块，而本文从理论和实验两个层面挑战了这一假设。作者引入“几何不可区分性”作为概念框架，解释在客户端更新因隐私噪声而产生分散时，少数类攻击信号如何更难被鲁棒聚合机制保留。以UNSW-NB15数据集为案例，文章评估了DP-SGD与坐标中位数聚合在标签翻转和模型投毒攻击下的联合表现，并按攻击类别评估威胁覆盖率。结果表明，隐私噪声与鲁棒聚合的联合使用会不成比例地降低稀有攻击的检测率，相对于多数类而言性能退化更为显著。进一步的实验发现，强隐私条件下出现的性能崩塌部分源于训练过程中的校准错误，即使经过依赖ε的调参，超稀有攻击类别仍可能存在残余性能下限。这些发现说明，隐私、鲁棒性和稀有攻击覆盖不能被视为独立可组合的性质，而应联合建模与评估。作者提出，聚合感知的建模方法和样本感知的评估指标是构建可信联邦NIDS的有前途方向。本文适合关注联邦学习、对抗鲁棒性、隐私保护机器学习以及入侵检测系统的研究人员和安全工程师阅读。

该论文聚焦于物联网(IoT)网络入侵检测中的类别不平衡问题。侧信道功率数据集中正常样本与攻击样本的比例可达75,964比1，严重影响了机器学习模型的检测性能。此前Dominguez等人提出了基于功率的入侵检测概念验证，但未处理类别不平衡，也未在平衡训练集上评估分类器性能。本研究针对这些问题进行了改进：首先，对从原始数据集提取的九个可能数据集应用合成少数类过采样技术(SMOTE)，使得每个数据集的精确不平衡比达到1.1；然后，在SMOTE平衡后的6小时数据集上，在相同条件下训练了八种算法：随机森林(RF)、直方图梯度提升(HistGradientBoosting)、LightGBM、极限随机树(Extra Trees)、XGBoost、K近邻(KNN)、多层感知器(MLP)和决策树(DT)。实验结果表明，随机森林的微平均F1分数达到0.9989，宏平均F1为0.9794，超越了此前基准论文中时间序列森林算法的最佳微F1结果(0.9983)。极限随机树在保持相同性能的同时，训练速度快了10倍。通过明确引入宏平均F1指标（区别于基准论文的评估），揭示了聚合性能指标遗漏的重要类别级信息。基于混淆矩阵计算的每类召回率、F1热图和ROC曲线显示，仅当使用SMOTE平衡时，少数攻击类别（尤其是混合M+L感染）才能被可靠检测。特征重要性分析表明，功率窗口中的最后时间步（共60步）是最重要的预测信号。本文的研究为基于侧信道的IoT入侵检测提供了更全面的评估框架，强调了数据平衡和细粒度性能指标的重要性。