在物联网数据流上使用可解释的人工智能 (XAI) 进行入侵检测系统.

科学领域:

• 网络安全 网络安全
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 网络和物联网系统面临越来越多的入侵,需要先进的入侵检测系统 (IDS).
• 在IDS中,传统的AI/ML方法与数据复杂性和缺乏透明度作斗争,阻碍了有效的威胁预测.
• 安全专业人员需要可解释的模型,以便在入侵检测中做出可靠的决策.

研究的目的:

• 提出一种新的IDS架构,集成深度学习 (DL) 和可解释AI (XAI).
• 为网络和物联网入侵检测开发透明和有效的AI驱动模型.
• 为安全分析师提供可理解的预测,以加强威胁缓解.

主要方法:

• 实施了三种DL模型:1D卷积神经网络 (1D CNN),深度神经网络 (DNN) 和TabNet.
• 在来自 TON_IOT 存储库的七个不同数据集上训练和评估模型.
• 集成的XAI技术来解释模型预测并确定分类的关键特征.

主要成果:

• 1-D CNN模型在网络数据集上实现了99.24%的准确性.
• 在大多数物联网数据集上,CNN和DNN模型达到100%的准确性.
• 在所有测试的数据集中,TabNet表现最低.

结论:

• 拟议的基于DL的IDS与XAI有效地增强了网络和物联网安全.
• 开发的模型为安全分析师提供了高准确度和至关重要的解释性.
• 这种方法为实时入侵检测提供了一个透明而强大的解决方案.