IoTネットワーク向け説明可能な深層学習ベース侵入検知システムのパフォーマンス分析：体系的レビュー

科学分野:

• サイバーセキュリティ
• 人工知能
• インターネット・オブ・シングス

背景:

• IoT侵入検知システム（IDS）における深層学習（DL）モデルは透明性を欠いており、信頼性と信頼性に影響を与えています。
• 説明可能なAI（XAI）は解釈可能性を向上させることを目指していますが、リソースが制約されたIoTにおけるパフォーマンスへの影響は不明です。

研究 の 目的:

• IoTネットワーク向けの説明可能なDLベースIDSのパフォーマンスのトレードオフを体系的にレビューすること。
• 検出精度、計算オーバーヘッド、および説明の品質を分析すること。
• 実用的な展開のためのギャップを特定し、ソリューションを提案すること。

主な方法:

• PRISMA方法論に従った体系的な文献レビュー。
• 129件の査読付き研究（2018年から2025年）の分析。
• XAI技術のトレードオフ、DLアーキテクチャ、および展開の課題の調査。

主要な成果:

• 既存のアプローチは、計算効率と説明可能性を犠牲にして高い検出精度を達成することがよくあります。
• この不均衡は、IoTエッジデバイスへの説明可能なIDSの実用的な展開を制限します。
• 展開後のXAI評価の実践には、大きなギャップが存在します。

結論:

• IoT IDSにおけるパフォーマンス、効率、および説明可能性の間のトライレンマをモデル化するには、統一されたフレームワークが必要です。
• 提案されたXAI評価フレームワークは、展開後のメトリックを標準化します。
• IoT向けの説明可能で効率的で信頼性の高いIDSの開発のための実行可能な洞察を提供します。