개인화 연합학습(PFL)은 이질적 IoT 환경에서 비독립동일분포(non-IID) 데이터 하의 지역 적응을 개선해 침입 탐지의 유망한 해법으로 떠올랐지만, 기존 방법은 클라이언트 측 자가 조정에 의존해 과도한 개인화와 분포 외(OOD) 공격 탐지 성능 저하를 초래할 수 있다. 이 논문은 서버 측 개인화 제어로 이 한계를 해결하는 적응형 PFL 프레임워크 FBID(Federated Bandit Intrusion Detection)를 제안한다. FBID는 서버에 맥락적 다중무장밴딧을 배치해 각 클라이언트의 관측된 행동과 업데이트 품질에 따라 지역 학습 강도를 동적으로 조절하며, 신뢰 기반 블렌딩 메커니즘으로 전역-지역 모델 간 클라이언트별 보간 계수를 도출해 전역 공격 탐지 지식을 보존하면서도 유익한 지역 특화를 허용한다. CICIoT2023 데이터셋에서 이질적 클라이언트 분포와 OOD 스트레스 테스트로 실험한 결과, FBID는 가장 강력한 안정적 베이스라인 대비 개별 클라이언트의 OOD 탐지율을 최대 7.66%, F1 점수를 최대 5.08%(상대적) 개선했으며 이전에 보지 못한 공격 클래스에 대한 강건성도 향상시켰다.

• •개인화 연합학습(PFL)의 과도한 개인화로 인한 OOD 공격 탐지 성능 저하 문제를 서버 측 제어로 해결
• •서버의 맥락적 다중무장밴딧이 클라이언트별 학습 강도를 행동·업데이트 품질에 따라 동적 조절
• •신뢰 기반 블렜딩으로 전역-지역 모델 간 클라이언트별 보간 계수 도출, 전역 지식 보존과 지역 특화 동시 달성
• •CICIoT2023 데이터셋에서 OOD 탐지율 최대 7.66%, F1 점수 최대 5.08%(상대적) 개선
• •이전에 본 적 없는 공격 클래스에 대한 강건성도 함께 향상