该论文提出了一种名为 TITAN-FedAnil+ 的联邦学习框架，旨在解决资源受限智能企业环境中的数据异质性（非独立同分布数据）和去中心化安全威胁。核心贡献包括：1) 基于亲和传播的自适应聚类聚合方法，无需预先知道攻击者数量即可识别并过滤恶意更新；2) GPU 加速向量化技术提升计算效率；3) 轻量级签名状态跳变机制实现区块链快速重同步。实验在 8 GB 边缘设备上进行，经过 50 轮通信后，相比基线框架，内存开销节省高达 81%。研究结果表明，TITAN-FedAnil+ 有效提升了鲁棒性、可扩展性和资源效率，适用于智能企业的安全联邦学习部署。

本文系统评估了脉冲神经网络（SNN）的不同配置（神经元模型与脉冲编码方案）在网络入侵检测中的性能。背景：传统深度学习模型计算需求高，难以部署到边缘设备和神经形态硬件，而SNN具有低功耗、事件驱动的特性，是潜在替代方案。但SNN的神经元模型和编码方案选择对入侵检测效果的影响尚不明确。方法：作者在snntorch框架上实现了9种神经元模型与3种脉冲编码方案（速率编码、增量编码、延迟编码）的27种组合，对NSL-KDD、KDDCup99、CIC-IDS2017、CTU-13四个基准数据集进行控制消融实验，仅对原始输入做有限预处理，并使用5个随机种子确保统计可靠性。结果：发现脉冲编码方案比神经元模型对检测质量影响更大；延迟编码优于速率编码和增量编码；LeakyParallel神经元配合延迟编码在四个数据集上平均准确率92.11%，宏F1分数0.80，假阳性率2.01%，在CIC-IDS2017和CTU-13上接近完美，且推理速度最快。结论：SNN在低延迟或资源受限场景下可作为传统入侵检测方法的有效替代。该研究为SNN在网络入侵检测中的应用提供了设计指南。

本文针对物联网（IoT）设备，特别是微控制器，由于其处理能力、内存容量和能源限制，面临安全挑战。研究提出一种轻量级的机器学习入侵检测模型，部署在资源受限的设备上进行实时检测。实验评估了两种方法：决策树（Decision Tree）达到99%的检测准确率，但计算资源需求较高；神经网络（Neural Network）准确率为96%，但内存效率更优。模型能够有效识别拒绝服务（DoS）和中间人（MitM）攻击，这些是IoT设备面临的主要威胁。研究重点在于平衡检测性能与资源消耗，使得模型适合部署在微控制器上，实现实时监控与防御，保护数据传输安全。作者通过实际测试验证了模型在受限环境下的可行性和有效性。