用于智能电网-电动汽车-VANET生态系统统一威胁情报的跨域边缘AI框架，采用轻量级联邦学习技术
摘要智能电网、电动汽车以及车辆自组织网络这三种基础设施的融合，形成了一个快速发展中的信息物理系统。在这样的系统中，需要在边缘层实现实时、保护隐私且具备智能性的威胁检测功能。为了确保系统的运行弹性与数据完整性，亟需在这些不同领域之间建立统一的威胁情报体系。现有的威胁检测方法往往依赖
智能电网、电动汽车以及车辆自组织网络这三种基础设施的融合，形成了一个快速发展中的信息物理系统。在这样的系统中，需要在边缘层实现实时、保护隐私且具备智能性的威胁检测功能。为了确保系统的运行弹性与数据完整性，亟需在这些不同领域之间建立统一的威胁情报体系。现有的威胁检测方法往往依赖集中的训练流程以及独立的领域专用模型，这就导致了较高的通信开销、较差的可扩展性，以及在领域变化时较低的稳定性。因此，当这些模型被应用于数据分布不同的异构环境时，其检测精度会大幅下降。为了解决这些问题，我们提出了一种联邦轻量级跨领域对抗Pg电子平台网址性领域适配框架——FL-CDA。该框架使得边缘节点能够通过联邦学习协同训练出简洁的模型，同时借助对抗性领域适配技术来调整不同的数据分布，而无需共享原始数据。这一框架旨在检测智能电网中的虚假数据注入、电动汽车充电欺诈行为，以及车辆自组织网络中的Sybil攻击或欺骗行为，同时还能保障数据隐私并降低带宽消耗。在包含真实智能电网数据集和模拟电动汽车/车辆自组织网络场景的混合评估环境中进行的实验表明，FL-CDA显著提升了跨领域的检测精度，降低了通信开销，并增强了模型在动态对抗环境下的稳定性。在模拟环境中，该框架的跨领域检测精度可达95%，检测延迟为1.9秒，F1分数为94%，通信开销为25–110MB；即便在领域变化幅度达50%的情况下，其检测精度仍能保持在86%左右。