基于增强型萤火虫算法的边缘工业物联网异常检测模型优化研究

工业物联网(IIoT)安全威胁日益严峻，研究人员提出基于增强型萤火虫算法(EFA)的机器学习模型超参数优化策略，通过动态调整吸引力和随机性参数，显著提升边缘环境下异常检测的准确率(99.88%)和F1-score(97.3%)，为解决资源受限场景下的实时攻击检测难题提供新思路。

　　

随着工业4.0时代的到来，工业物联网(IIoT)设备呈爆炸式增长，但随之而来的网络安全问题也日益突出。从2010年震网病毒(Stuxnet)攻击伊朗核设施，到2020年捷克医院因网络攻击被迫暂停COVID-19诊断服务，针对关键基础设施的网络安全事件频发，预计到2030年可能造成高达90万亿美元的经济损失。边缘计算(Edge Computing)虽然能缓解云端数据处理压力，却将安全威胁转移到了网络边缘，使得传统的防火墙和加密技术难以应对日益复杂的中间人攻击(MITM)、分布式拒绝服务攻击(DDoS)等新型威胁。

在此背景下，研究人员开展了一项创新性研究，提出基于增强型萤火虫算法(Enhanced Firefly Algorithm, EFA)的机器学习模型超参数优化策略。这项研究发表在《Results in Engineering》期刊上，通过改进标准萤火虫算法的探索-开发平衡机制，显著提升了边缘IIoT环境中网络入侵检测系统(NIDS)的性能。

研究团队主要采用了三种关键技术：首先使用SMOTE(Synthetic Minority Oversampling Technique)处理Edge-IIoT数据集的类别不平衡问题；其次开发了具有自适应随机性的EFA算法，通过虚拟标准空间和动态参数调整优化超参数搜索；最后系统评估了决策树(DT)、随机森林(RF)、XGBoost(XGB)等六种机器学习模型在优化前后的性能差异。

研究结果部分，"Experiment 1"显示EFA优化后的XGB模型达到99.88%的准确率，较基线提升0.88个百分点；"Experiment 2"通过Friedman检验证实EFA在七种元启发式算法中排名第一；"Experiment 3"的收敛曲线表明EFA在50代内即可找到近似最优解；"Experiment 4"的Wilcoxon检验(p<0.05)验证了结果的统计显著性；最后的基准测试("Experiment 5")显示EFA-XGB模型的F1-score(97.3%)优于现有最佳方案的95.3%。

研究结论指出，EFA通过三个关键创新解决了行业痛点：引入虚拟标准空间将吸引力系数β归一化到[0,1]区间；采用动态随机性调节机制平衡探索与开发；首次将控制参数优化应用于边缘IIoT场景。与传统的网格搜索相比，EFA将测试时间缩短了30%，特别适合资源受限的边缘设备部署。这项研究不仅为工业网络安全提供了新工具，其自适应优化框架也可扩展到其他物联网应用领域。未来工作将探索联邦学习(Federated Learning)与EFA的结合，以应对分布式环境下的数据隐私挑战。