通过一种可解释的混合CNN-Transformer模型和联邦学习来提升物联网安全性

摘要

物联网（IoT）设备的迅速普及加剧了网络安全威胁，使关键基础设施面临复杂的入侵攻击。现有的入侵检测系统（IDS）通常依赖于集中式架构，这会损害数据隐私；或者采用单一架构模型，无法同时捕捉网络流量中的局部空间模式和长期时间依赖性。为了解决这些限制，本文提出了一种新型的可解释混合CNN-Transformer模型，并结合了联邦学习（FL），以实现物联网环境中的隐私保护入侵检测。该框架独特地结合了四个此前未在此领域整合的关键组件：双块CNN-Transformer架构、采用FedAvg聚合的联邦学习、多类攻击分类以及用于提高决策透明度的局部可解释模型不可知解释（LIME）。在IoT-23数据集上进行的联邦和非联邦场景评估显示，该模型在联邦二分类任务中的准确率为94.89%，在联邦多分类任务中的准确率为92.17%，显著优于独立的CNN和集成基线模型。通过在CIC IoT-DIAD 2024数据集上的消融研究进一步验证了其泛化能力。LIME的集成提供了可操作的特征级解释，支持网络安全分析师进行实时决策，从而提升了自动化物联网入侵检测系统的可解释性和可信度。