基于神经免疫Transformer的物联网入侵检测混合架构

《Scientific Reports》：Neuro-immune transformer with contextual self-attention for IoT intrusion detection

　　

摘要

物联网设备的指数级增长已使当代网络攻击面急剧扩大。物联网设备的激增大幅扩展了网络攻击面，而现有的入侵检测系统难以应对不断演变的攻击模式、噪声以及不平衡的网络流量。深度学习模型难以泛化到新型攻击，而生物模型缺乏理解网络数据中复杂关系所需的上下文能力。为克服这些局限，我们提出了一种名为神经免疫Transformer（NIT）的新型混合架构，该架构将基于Transformer的上下文引擎与采用克隆选择算法实现检测器进化的自适应人工免疫系统（AIS）相结合。Transformer模块利用多头自注意力机制捕捉网络行为中的长程依赖关系，而免疫模块通过端到端框架中的协同进化训练，维持不断进化的检测器种群以识别未知攻击模式。我们在不平衡的华盛顿大学圣路易斯分校EHMS 2020 IoMT数据集上评估了NIT，并与最先进的生物启发式、深度学习及混合方法进行了对比。NIT取得了卓越性能，准确率为98.04%，检测率为92.9%，F1分数为0.9168，误报率仅为1.4%，显著优于所有基准模型。消融实验证实了各架构组件的关键贡献，而鲁棒性测试表明其能够抵抗高斯噪声和FGSM对抗攻击。凭借85.6万参数和3.2毫秒的推理延迟，NIT提供了解计算效率、实用且适合资源受限的边缘物联网部署的解决方案，为医疗物联网网络提供了可扩展且稳健的入侵检测能力。