针对模型异构和代理数据稀缺问题,提出模型异构的联邦学习入侵检测(model　heterogeneous　federated　learning　for　intrusion　detection,MHFL-ID)框架。首先,MHFL-ID根据模型异同对节点进行分组,将结构相同的模型分到同一组;其次,在组内采用以组长为中心的同构聚合方法,根据目标函数投影值选取组长,并引导组内节点的优化方向以提升全组模型能力;最后,在组间采用基于知识蒸馏的异构聚合方法,不需要代理数据就能用局部平均软标签和全局软标签传递异构模型中的知识。在NSL-KDD和UNSW-NB15这2个数据集上进行对比实验,与当前先进方法相比,MHFL-ID框架及所提方法能有效解决联邦学习中模型异构聚合的问题,在准确率方面也取得了较好结果。