对物联网环境使用基于自我注意的可解释AI框架进行可解释的入侵检测
Kanta Prasad Sharma1, Tapsi Nagpal2, Tarak Vora3
1Computer Science & Engineering, Amity University Greater Noida Campus, Noida, India.
Scientific reports
|November 14, 2025
概括
这项研究介绍了一种新的自我注意深度神经网络,具有可学习的功能门,用于增强物联网 (IoT) 网络安全. 该模型在检测网络入侵方面实现了高精度,提供了强大的和可解释的解决方案.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 物联网 (IoT) 设备的普及,由于扩大了攻击表面,给网络安全带来了重大挑战.
- 现有的入侵检测系统往往难以应对现代网络流量的复杂性和规模.
研究的目的:
- 提出一种新的自我注意深度神经网络 (SA-DNN),与可学习特征门 (LFG) 机制集成,用于强大的物联网入侵检测.
- 为了提高模型适应性和功能优化,而无需手动选择功能.
主要方法:
- 开发一个SA-DNN架构,结合一个LFG机制来强调动态特征.
- 利用自我注意力来捕捉网络流量的远程依赖性.
- 使用SHAP和LIME来实现模型的可解释性.
主要成果:
- 在BoT-IoT数据集上达到99.3%的准确性,在N-BaIoT数据集上达到99.6%.
- 在UNSW-NB15数据集上显示出强大的概括性,准确度为97.9%.
- 在入侵检测方面表现优于基线和最先进的方法.
结论:
- 拟议的SA-DNN与LFG提供了一个轻量级,可扩展和可解释的物联网网络安全解决方案.
- 该模型在各种网络入侵场景中表现出强大的稳定性和强大的通用性.
- 这种方法提高了入侵检测决策的透明度.