本研究は、IoTシステムに対する攻撃に対抗するための堅牢なフェデレーテッドラーニング（FL）アプローチを提案している。IoTネットワークにおけるモデル訓練の難しさは、データの非独立同分布（non-IID）が原因であり、リソース制約やプライバシーの懸念にも直面している。これに対処するため、FedAvg、FedProx、ScaffoldなどのFLアルゴリズムを異なるデータ分布の下で解析し、それぞれの性能特性を明らかにする。具体的には、CICIoT2023データセットを用いて大規模なIoT攻撃を分類し、数々の実験を通じてFL手法の有効性を評価している。この研究は、研究者や実務者にとって、非IIDデータに対するFLの理解を深めるための貴重な知見を提供することを目的としている。