摘要
本发明属于网络安全技术领域，且公开了基于联邦学习的分布式网络安全威胁预测系统，通过动态联邦学习调度模块，以威胁熵驱动自适应迭代，当威胁特征熵值超阈值时触发紧急更新，大幅压缩模型迭代周期；结合分层子模型架构，使不同域节点能针对性更新特征层参数，显著提升对新型变异威胁的识别速度，解决了传统模型识别滞后的难题，保障系统对威胁变化的及时跟进；采用隐私增强型聚合模块，通过差分隐私与同态加密双层防护，在不泄露原始数据的前提下实现参数安全聚合；同时借助联邦迁移学习引擎，将异构数据映射至统一特征空间，提升跨场景模型适配性，克服了集中式架构下数据融合难的问题，充分发挥多源数据协同优势，提高全局模型精度。
