随着物联网络相关技术的快速发展。由面向物联感知的边缘网络、互联网和移动通信网组成的异构网络,为海量物联网终端的接入及数据传输带来了极大便利。但是由多种网络组成的异构网络也面临着更为严峻的网络安全问题。异常检测系统通常用来保障网络数据交互的安全性,但是若各网络只基于本地的数据建立异常检测系统则很难保证整个网络的安全性。由于各网络传输协议的差异,导致数据特征不同,单一网络内部的数据无法完整描述异构网络中的一个完整事件对象,所以需要建立一个分布式的异常检测框架以充分利用多个网络的数据特征。传统的分布式异常检测系统通常将数据上传到云中心服务器并基于机器学习方法进行模型训练,这种数据处理方式在异构网络环境中面临诸多难点。例如,数据在传输过程中极易遭受攻击,导致数据丢失或被恶意篡改;各行业独立建网,行业间形成数据孤岛,数据无法直接跨网交互;海量数据的传输会给网络带来极大的负荷。针对以上问题,本文研究面向异构网络的异常检测方法,主要工作如下:首先,针对异构网络中数据特征空间不同的场景,提出基于高斯混合模型的多特征融合异常检测算法。各网络各自利用网络内部的本地数据,对其中正常的数据进行拟合得到相应高斯混合模型并确定异常检测的阈值,据此进行本地异常检测,然后将各网络的检测结果进行融合。试验结果表明,多特征融合能有效提高异常检测性能,相比于本地异常检测方案,准确率最多提升14.32%。相比于集中式方案（数据全部集中后再由高斯混合模型拟合）的准确率只差1.93%。但是,该方法的异常检测率为80.23%,仍有很大的提升空间;另外,在网络内部建立高斯混合模型时需要集中分散在本网络内的所有数据,这就要求网络内部有极高的安全性和计算、通信能力。为此,本文进一步研究基于联邦学习的分层联邦学习异常检测算法,以便在开放异构网络中分布式实现。针对异构网络环境数据特征异构及样本分散的特点,提出了一个分层联邦学习框架,在保护数据隐私的前提下协作训练异常检测模型。仿真实验对比了集中式模型、本地模型以及所提出的框架的性能,实验结果表明,所提框架的异常检测准确率达到97.54%,相较于各网络本地模型提升了2.07%、5.15%、5.38%,逼近集中式训练模型98.29%的准确率。模型训练时具有较好收敛性,基本在第10个训练轮次达到收敛。但是该方法相较于基于高斯混合模型的异常检测算法需要更多的模型训练时间。