基于集成随机可解释人工智能与猫鼬搜索算法的关键信息物理系统异常检测新方法

本文提出了一种创新的集成随机可解释人工智能-猫鼬搜索算法（ERXAI-MS），通过核主成分分析（KPCA）降维和双阶段分类策略，显著提升了关键信息物理系统（CPS）中网络威胁检测的效能。实验表明，该模型在IoT-23和LITNET-2020数据集上实现了98.56%准确率与1.55%低误报率，为工业物联网（IIoT）安全提供了可解释性强、鲁棒性高的解决方案。

　　

亮点

• 本研究提出新型ERXAI-MS模型用于CPS网络攻击检测，结合核主成分分析（KPCA）降维优化特征选择。

• 该模型集成随机森林、可解释人工智能（XAI）和猫鼬优化算法（MOA），通过初始搜索策略解决局部最优问题。

• XAI生成的可解释性图谱能解析隐藏攻击模式，MOA调参使模型F1-score达98.2%，误报率低至1.55%。

实验分析

在IoT-23和LITNET-2020数据集上的测试显示，ERXAI-MS以98.63%召回率和96.56%马修斯相关系数（MCC）超越现有技术。假阳性与假阴性对关键基础设施的影响被系统评估：误报会导致安防疲劳，而漏报可能引发级联故障。

潜在伦理影响

数据隐私：大规模监控引发过度 surveillance 风险，需平衡安全需求与个人隐私。

算法偏见：标注偏差（Labeling Bias）和采样偏差（Sampling Bias）可能使模型对新型攻击不敏感，采用混合SMOTE+ENN数据平衡策略缓解。

结论

ERXAI-MS为CPS安全提供透明、高效的防御框架，其可解释性特性特别适用于医疗物联网（IoMT）等敏感领域。未来将探索对抗样本防御机制以增强鲁棒性。