FL与LLM的结合：一种适用于能源互联网的混合安全框架

能源行业数字化转型催生物联网能源（IoE），其设备互联性提升效率的同时扩大攻击面，传统入侵检测系统难以应对分布式隐私敏感环境。本文提出融合联邦学习与大型语言模型的混合安全框架，通过边缘设备协作训练异常检测模型保障数据隐私，并利用中央LLM推理层解析告警并提供自然语言交互支持。实验评估表明，该框架在威胁检测准确性和响应可解释性方面显著优于传统方法，具备可扩展性，为智能电网提供实用防御方案。

摘要：

能源行业的数字化转型加速了能源互联网（IoE）的发展，在这个网络中，大量的互联设备协同完成能源的生成、分配和消耗。虽然这种集成提高了运营效率，但也扩大了系统的攻击面，使得基础设施越来越容易受到网络威胁的攻击。传统的入侵检测系统在这些分布式且对隐私敏感的环境中往往难以发挥作用。在本文中，我们提出了一种混合网络安全框架，该框架将联邦学习（FL）与大型语言模型（LLMs）相结合，以实现IoE环境中的去中心化威胁检测和基于上下文的响应。通过允许边缘设备协作训练异常检测模型而不暴露原始数据，该框架确保了数据隐私。此外，一个由中央LLM驱动的推理层能够解释警报并通过自然语言界面协助操作员。我们通过评估不同提示类型下LLM的响应质量以及分析威胁模式的时间演变来评估所提出的框架。我们引入了一个智能电网中的网络安全应用场景，以展示该框架的实际适用性。结果表明，所提出的框架提高了检测准确性和可解释性，为下一代能源基础设施提供了一种可扩展且透明的防御策略。