该论文针对物联网(IoT)设备在关键任务环境中的安全与隐私挑战,提出了一种联邦学习(FL)与大型语言模型(LLM)驱动的威胁情报框架,用于构建零信任物联网架构。传统IoT设备常因资源受限而无法更新,易受病毒、数据泄露和未授权访问等威胁。现有解决方案未能从根本上解决分布式环境中的信任问题。本文提出的框架将FL异常检测、隐私保护分布式学习、持续身份验证以及LLM驱动的自主威胁响应整合到统一流水线中。FL允许各设备在本地训练模型并仅共享梯度,从而保护数据隐私。通过基于MQTT协议的相互传输层安全(mTLS)机制,框架在每一通信层执行零信任原则,确保没有任何设备或消息默认可信。实验使用树莓派和多种传感器实现,评估了异常检测性能,取得了0.9091的F1分数和1.0的ROC-AUC,证明了该框架在资源受限IoT设备上实现隐私保护异常检测的有效性。该研究的核心贡献在于:1)提出FL与LLM结合的新型威胁情报方法;2)在轻量级IoT设备上实现零信任通信;3)实验验证了高检测精度。适合物联网安全研究人员、零信任架构设计者及网络安全从业者阅读。
💡 推荐理由: 该研究将联邦学习与LLM结合应用于零信任IoT安全,为资源受限设备提供了隐私保护且可扩展的威胁检测方案,具有实际部署潜力。
🎯 建议动作: 研究跟进