基于物联网-边缘-云计算的多层机器学习异常检测系统在数据安全管理中的增强应用

针对IoT-Edge-Cloud生态系统中数据安全、实时异常检测和模型可解释性等挑战，研究人员开发了一种集成ML（机器学习）和XAI（可解释人工智能）的多层检测框架。该系统通过边缘预处理、云端算法（如Isolation Forest）和SHAP解释技术，实现了AUROC 1.00的高精度检测，显著降低延迟并提升安全韧性，为医疗物联网等场景提供了可扩展的解决方案。

　　

随着物联网(IoT)、边缘计算(EC)和云计算(CC)技术的普及，数据管理能力得到显著提升，但大规模IoT部署仍面临数据质量、安全威胁和异常检测等挑战。尤其在医疗等关键领域，传感器故障或网络入侵可能导致严重后果。传统云中心化检测存在延迟高、模型黑箱化等问题，而边缘计算的潜在安全价值尚未充分挖掘。为此，研究人员提出了一种融合多层架构和可解释人工智能(XAI)的创新方案，旨在实现高效、透明且安全的异常检测。

研究团队设计了一个四层框架：IoT层通过安全微控制器采集数据；边缘层进行实时预处理以减少云端负载；云端采用Isolation Forest等ML算法分析数据；智能单页应用(SSPA)提供可视化交互。关键技术包括：1) 基于SHAP的XAI技术解释模型决策；2) 边缘-云协同的层级加密与认证；3) 医疗物联网场景下的真实数据验证。

结果与讨论

• 多层检测效能：系统在IoT-Healthcare案例中实现AUROC 1.00，精准识别网络入侵和传感器故障，边缘处理使延迟降低40%。
• 安全增强：分层加密有效防御中间人攻击，SSPA架构确保数据传输与存储安全。
• 可解释性突破：SHAP分析揭示异常分类的关键特征（如数据包频率突变），提升管理员对ML结果的信任度。

挑战与局限：异构IoT数据标准化难度大，需复杂清洗流程；实时性与计算资源的平衡仍需优化。

结论与展望：该研究为IoT-Cloud交互提供了安全、可扩展的异常检测范式，其核心贡献在于：1) 验证边缘计算在降低延迟与提升安全性的双重价值；2) 通过XAI打破ML模型黑箱问题。未来可探索联邦学习以进一步强化隐私保护，或扩展至智慧城市等更多场景。论文发表于《Expert Systems with Applications》，为相关领域研究树立了新标杆。