一个持久的、精确的和适应性强的安全应用是有效的部队保护条件（FPCON）的必要组成部分，因为美国的军事设施已经成为恐怖主义和暴力行为的常见目标。目前的军事安全应用需要一种更加自动化的方法，因为它们严重依赖有限的人力和有限的资源。目前的研究开发了一个由嵌入式硬件组成的离网部署的联合微调网络，并评估了嵌入式硬件系统和模型性能。联合微调采用集中预训练的模型，并在一个联邦学习架构中对选定的模型层进行微调。联合微调模型的CPU负载平均减少65.95%，电流平均减少56.18%。MobileNetV2模型在网络上传输的全局模型参数减少了81.59%。集中预训练的MNIST模型开始训练时，比随机初始化的模型的初始准确率提高了53.94%。集中预训练的MobileNetV2模型在第0轮训练时表现出90.75%的初始平均准确率，在75轮联合训练后，整体性能提高了3.14%。目前的研究结果表明，联合微调可以提高系统性能和模型精度，同时提供更强的隐私性和安全性，以抵御联邦学习攻击。