随着互联网技术发展日趋成熟,爆发式增长的网络设备数量和流量数据所带来的网络安全问题变得愈发严重,面临着重大挑战。入侵检测可以实时监测网络的异常行为及时阻断危险入侵行为,是解决网络安全问题的重要手段。然而,基于传统方法入侵检测仍然有检测性能不理想,通信成本高,数据传输过程暴露敏感数据,数据无法有效共享形成“数据孤岛”等问题。联邦学习和深度学习的结合可以有效解决上述存在的问题。在实际入侵检测过程中,不同行业机构产生异质性数据,模型参数传递时存在异步性导致通信延迟,都会降低基于联邦学习的入侵检测方法性能。对以上存在的问题,本文展开了以下两个方面研究:1、针对当前入侵检测存在的检测率低、“数据孤岛”、通信成本高和隐私泄露等问题,本文提出了基于联邦学习和深度学习的入侵检测模型（CS-FL）,其中客户端分类器是由卷积神经网络（Convolutional Neural Networks,CNN）和自注意力机制（SelfAttention）混合构成。CS-FL模型框架融合了CNN的计算量低且准确率高和SelfAttention的捕捉全局特征及内部相关性的优点,通过联邦学习框架进行入侵检测全局训练,提升整个入侵检测的性能。实验结果表明,该模型不仅提升了入侵检测的检测率,同时降低了通信成本,消除了“数据孤岛”,保护了数据的隐私安全等问题,在实际研究中具有一定应用价值。2、基于联邦学习的方法在实际入侵检测过程中仍有客户端数据异质性和联邦通信延迟问题,针对此问题,本文提出了基于CS-FL入侵检测框架的优化。本文首先提出在客户端添加一个弹性因子,提升客户端的个性化权重,从而保持客户端的特点,优化CSFL入侵检测模型。其次提出梯度延迟迁移解决通信延迟引起的梯度延迟问题,在服务器聚合全局模型时,对存在延迟的客户端,根据梯度相似性算法和全局模型梯度延迟计算出本轮的延迟梯度,再进行全局聚合,从而优化CS-FL入侵检测模型。经过实验对比,证明了优化后的CS-FL模型性能整体优于CS-FL入侵检测模型。