在物联网设备数量激增的今天，智能摄像头、工业传感器等终端每天产生的数据量呈爆炸式增长。传统入侵检测系统依赖云端集中处理模式，不仅消耗大量网络带宽，更将用户隐私暴露在潜在的数据泄露风险中。伊斯坦布尔技术大学计算机科学团队提出的EdgeDetect系统，通过边缘计算与密码学的深度融合，为5G/6G环境下的网络安全提供了创新解决方案。
该系统的核心突破在于构建了四层防护体系：本地设备首先对原始流量数据进行预处理，通过主成分分析将78维特征压缩至35维关键信息；采用中位数自适应阈值算法对梯度向量进行二值化处理，使每个梯度分量仅保留+1或-1的极简表示；运用Paillier同态加密技术对压缩后的数据进行加密，确保服务器仅能获取聚合结果而无法解密单个设备数据；最终通过安全聚合机制完成全局模型更新。这种设计使单轮通信数据量从450MB骤降至14MB，降幅达96.9%，同时保持98%的检测准确率。
研究团队在CIC-IDS2017数据集上的实验显示，随机森林算法在二分类任务中表现最优，准确率达98.09%，多分类任务宏平均F1分数为97.9%。针对DDoS等流量型攻击，系统在PCA空间展现出近乎线性可分的检测能力，F1分数高达0.987。对于Web攻击等隐蔽性较强的攻击类型，通过提取数据包到达时间熵等新型特征，仍保持93.9%的识别率。在资源受限的树莓派4设备上，系统推理延迟仅0.8毫秒，内存占用4.2MB，证明其具备实际部署可行性。
联邦学习场景测试揭示了系统的扩展优势。在10至500个客户端的模拟环境中，系统收敛速度随节点增加呈次线性增长，500节点时仍能在467轮内达到98%准确率。面对20%恶意客户端的中毒攻击，系统通过梯度方向一致性校验维持85%以上准确率。隐私保护实验表明，改进深度泄漏梯度(iDLG)攻击的标签恢复率从标准联邦学习的98.7%降至14.3%，接近随机猜测水平。
消融实验验证了各组件的不可替代性：移除梯度智能化导致通信成本激增32倍；取消同态加密使隐私保护完全失效；省略PCA特征降维使内存占用增加2.6倍；不进行类别平衡处理则导致稀有攻击检测率暴跌59个百分点。理论分析框架证明，在L光滑损失函数假设下，系统收敛速度与全精度方法的理论差距仅为13%，实际实验中这一差异可忽略不计。
与现有方法的对比显示，EdgeDetect在准确率、通信效率和隐私保护强度三个维度形成全面优势。相比基于差分隐私的Fed-DNN方案，其通信开销降低96.3%；较signSGD梯度压缩方法，梯度反演难度提升1.7dB；对比XGBoost等集中式模型，在保持更高准确率的同时实现数据不出域。研究团队已公开完整算法伪代码和实验数据，为工业界部署提供可直接复现的技术方案。
该成果特别针对物联网设备计算资源有限的特点进行优化。通过将特征工程、模型训练等计算密集型任务下沉至边缘节点，中央服务器仅需处理加密后的梯度方向信息。这种设计既避免了原始数据传输的带宽消耗，又通过密码学手段防止服务器侧的数据泄露，在智慧城市、工业互联网等场景具有广阔应用前景。实验数据显示，系统在处理非独立同分布数据时，结合FedProx优化器可使收敛轮次减少8.3%，为异构设备环境下的部署提供了优化路径。
