概括
本研究介绍了一种可解释的光纤传感器入侵检测系统. 这种新的方法提高了少数拍摄场景的准确性,并为检测到的威胁提供了透明的洞察力.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 侵入检测系统 (IDS) 对基础设施安全至关重要.
- 分布式光纤振动传感 (DVS) 提供了周边安全性,但在有限的数据和模型解释性方面存在困难.
- 现有的深度学习模型往往缺乏透明度,阻碍了信任.
研究的目的:
- 为DVS系统开发一个可解释的入侵检测框架.
- 为了应对数据稀缺性 (少量学习) 和模型可解释性的挑战.
- 提高周边安全解决方案的可靠性和可信度.
主要方法:
- 提出了一个可解释的双分支功能融合动态类中心原型网络 (DBFF-DC-ProtoNet).
- 使用轻量级的双分支1-D ResNet进行时间和时间频率特征提取.
- 集成了一个动态的课堂中心更新策略,新的损失功能和一个可解释模块 (Proto-CAM,基于案例的推理).
主要成果:
- 在基准数据集上的5次拍摄设置中实现了高精度 (97.22%和98.33%).
- 对于歧视性原型,证明了时间和时间频率特征的有效融合.
- 展示了细粒度的信号归因和直观的案例检索,以提高可解释性.
结论:
- DBFF-DC-ProtoNet成功地将少数拍摄的学习与用于DVS入侵检测的可解释性相结合.
- 拟议的模型提供了一个实用和可靠的解决方案,用于用有限的标记数据保护周边.
- 该框架提高了入侵检测系统的性能和透明度.
