基于SHAP特征相关性得分的可解释性驱动BGP异常分类方法

《Scientific Reports》：SHAP-based feature relevance score technique for robust and explainable network anomaly classification

　　**摘要**准确检测边界网关协议（BGP）流量中的异常仍然是保障全球互联网路由稳定与安全面临的关键挑战。传统方法通常依赖于整体准确率或传统特征选择技术，这些方法可解释性有限，且无法应对复杂数据集中冗余或噪声属性的存在。本研究提出了一种新颖的可解释性驱动的BGP异常分类技术，基于SHAP（SHapley Additive exPlanations）框架。所提出的**特征相关性得分（FRS）** 是本研究的核心贡献，它将全局重要性、类别特异性影响和方向稳定性整合为一个统一的特征排序指标。单独来看，这些信号中的任何一个都会使具有不同判别行为的特征在最终排序中难以区分，而FRS正是为此而设计，以恢复这种区分度。这一创新不仅增强了模型的透明度，还使机器学习模型的有效优化成为可能。使用LSTM分类器进行的实验验证显示了显著的性能提升：有针对性地移除低影响特征，尤其是IPv4前缀长度，使故障异常类别的召回率提升了10%，F1分数也有明显增益，同时在其他类别上仍保持了鲁棒性。相反，移除高排名特征则验证了所提指标的敏感性和可靠性。基于20个独立随机子样本的稳定性分析表明，FRS产生了高度一致的排序结果，Spearman秩相关系数均值为0.828（最低0.508），超越了全局重要性单独使用的结果（0.752，最低0.304）、类别特异性评分（0.813）以及不含方向分量的组合评分（0.805）。所有特征的变异系数均保持在7%以下，代表性特征的边际秩概率达到0.90和0.85，而类别特异性基线方法仅为0.40和0.20。50次独立评估进一步证实了故障异常召回率10%的提升——在移除低排名前缀特征后，故障召回率从0.70上升至0.81，表明这一改善反映的是系统性趋势而非单次运行的偶然结果。结果表明，将可解释性与特征优化相结合可以改善在所考虑的BGP基准中欠表示异常类别的检测效果，并支持将可解释性驱动的特征排序作为模型设计阶段特征选择中的一项具体决策工具。