# Fedxx

**Repository Path**: whz11/fedxx

## Basic Information

- **Project Name**: Fedxx
- **Description**: HFL-DDoS LLM-SA
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2024-07-07
- **Last Updated**: 2026-06-04

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 面向DDoS检测的异构联邦学习研究 (Heterogeneous Federated Learning for DDoS Detection)

本项目是学术论文 **《面向DDoS检测的异构联邦学习研究》** 的官方开源代码实现。针对网络流量数据（DDoS 攻击检测）在联邦学习中的**非独立同分布 (Non-IID)** 与**客户端设备异构性（模型架构不一致）**问题，本项目构建了一个通用的异构联邦学习仿真平台。系统不仅支持多种经典的同/异构联邦学习基线方法，还针对联邦学习潜在的安全威胁，集成了完备的攻防对抗演练实验室，特别是创新性地引入了**基于大语言模型的多智能体协同防御机制 (LLM-SA)**。

---

## 🚀 核心创新点与特性

### 1. 异构模型特征对齐与双向互蒸馏
* **多架构支持**：允许客户端根据本地算力自主部署异构模型，系统原生支持 **CNNModel**、**RNNModel (双向LSTM)** 以及 **TransformerModel**。
* **全局信使机制 (ProxyModel)**：设计了包含全局连续模式库（Codebook）与交叉时间注意力机制（CrossTemporalAttention）的代理模型，实现隐空间的异构特征映射。
* **VID 损失驱动的深度互学习**：引入变分信息蒸馏（Variational Information Distillation, VID）损失，在本地私有模型与全局公共代理模型之间进行双向知识互蒸馏，打破架构壁垒。

### 2. 攻防演练实验室 (Attack & Defense Laboratory)
项目内置了高度可定制的攻击模拟器与鲁棒聚合算法库，用于评估异构环境下的系统鲁棒性：
* **完备的攻击模型 (Attacks)**：支持本地数据投毒（全局后门、分布式后门 DBA）以及恶意梯度篡改（符号翻转 Sign-Flipping、量级缩放 Scaling、ALIE 攻击、合理区间内的隐蔽伪装）。
* **多元化防御基线 (Defenses)**：集成了传统几何/统计学防御（Trimmed Mean, Multi-Krum, FoolsGold, FLDetector）以及前沿鲁棒聚合算法（LSHFed 局部敏感哈希梯度检测、SpectralKrum 频谱子空间估计与几何过滤）。

### 3. 多智能体大模型安全审计机制 (LLM-SA)
本项目最核心的安全防御贡献。系统通过构建结构化共享消息池（SharedMessagePool）与发布/订阅总线，驱动四个特定领域的智能体进行红蓝对抗式的安全审计：
* **感知映射智能体 (PA)**：实时收集客户端的训练轨迹（F1、损失、VID损失、梯度范数、余弦相似度），将其映射为结构化事件。
* **威胁推演智能体 (TRA, 红方)**：执行有罪推断，通过计算“效能-特征倒挂指数 ($\Lambda_{inv}$)”识别伪装良好的隐蔽投毒。
* **声誉校验智能体 (RVA, 蓝方)**：执行无罪辩护，基于 RAG 历史溯源知识库计算“历史演化漂移度 ($Z_k$)”，保护数据异构导致的良性扰动。
* **决策仲裁智能体 (AA)**：最高数字法庭。将辩论上下文与注入安全专家知识的 Prompt 输入给大语言模型（如 DeepSeek-V3），动态输出信任评分并利用 ReLU 策略进行安全加权聚合。

---

## 📂 项目目录结构

```text
├── DDoS_data.py                  # DDoS 流量数据集加载与预处理模块
├── m_main.py                     # 全局主程序入口（负责参数解析、参数路由与工作流分发）
├── m_model.py                    # 模型定义库（包含私有异构模型、ProxyModel、Codebook、注意力机制）
├── m_client.py                   # 客户端实体类（封装本地训练、增强、蒸馏及深度互学习逻辑）
├── m_attack.py                   # 攻击管理器（负责数据投毒与模型更新篡改的注入）
├── m_train.py                    # 标准联邦学习训练器（常规异构蒸馏及各基线流派实现）
├── m_train_defense.py            # 鲁棒防御训练器（集成传统防御、LSHFed、SpectralKrum 与 LLM-SA 架构）
├── m_train_llm.py                # LLM-SA 多智能体原生底座与异步事件流审计实现
├── utils/
│   └── utils.py                  # 工具函数库（包含 VIDLoss、KL_Loss、数据切分等基建）
└── data/                         # 数据与中间缓存目录（processed  parquet 数据、实验图表等）