该论文探讨了利用联邦学习（FL）进行安全事件预测的可行性。当前网络防御越来越依赖主动预测攻击者的下一步行动，但构建准确的预测模型需要多个组织的数据，这涉及敏感信息（如网络结构、安全策略）的泄露。为此，作者提出了 Cerberus 系统，允许参与组织协作训练循环神经网络（RNN）模型，而无需共享原始数据。联邦学习在集中式训练（高隐私风险）和本地训练（低效用）之间提供了折中方案。Cerberus 在来自某安全公司入侵防御产品的大规模数据集上进行了评估，从效用、鲁棒性、隐私以及参与者的贡献与收益等维度进行了分析。实验表明，联邦学习能够达到接近集中式训练的准确性，同时显著降低隐私风险。研究还揭示了 FL 在安全预测中的挑战，如异质性数据、通信开销和模型收敛问题。该工作为联邦方法在预测性安全中的部署奠定了基础，展示了其提升跨组织协作防御能力的潜力。适合安全研究人员、数据隐私工程师及关注联邦学习应用的从业者阅读。