基于可解释学习的物联网安全通用入侵检测系统

摘要

该研究通过评估一个通用特征集对不同网络环境和攻击类型的泛化性能,旨在缩小和实际应用的差距.分别在三个数据集上对两个特征集(NetFlow和CICFlowMeter)进行了评估.实验结果表明,NetFlow特征集显著提高了两种机器学习模型在不同数据集上检测入侵的准确性.此外,由于学习模型的复杂性,一种可解释的人工智能方法(SHAP),被用来解释两个机器学习模型的分类决策.通过在多个不同数据集上分析了特征的Shapley值,以确定每个特征对最终机器学习模型预测结果的影响.