面向物联网开放集入侵检测的多表示置信熵拒绝方法（MRCER-DR）

《Sensors》：MRCER-DR: Multi-Representation Confidence Entropy Rejection for IoT Open-Set Intrusion Detection

　　

摘要专业翻译 物联网（Internet of Things, IoT）设备的快速增长使得网络攻击愈发隐蔽且不断演变。传统的封闭集入侵检测系统（Intrusion Detection System, IDS）无法识别训练阶段未见过的未知攻击。现有的开放集方法往往依赖单一的拒绝信号，而多表示方法主要聚焦于特征融合或决策聚合，而非利用不同表示之间互补的不确定性响应。此外，在严重的类别不平衡条件下，基于概率的拒绝可能变得不够可靠。为解决上述问题，研究人员提出多表示置信熵拒绝与双重拒绝（Multi-Representation Confidence Entropy Rejection with Dual-Reject, MRCER-DR），一种面向物联网、具有低推理开销的开放集入侵检测方法。该方法构建四种表示（原始Raw、图Graph、二维统计2D-Stat和融合Fusion），并构建联合拒绝分数——置信熵拒绝（Confidence Entropy Rejection, CER），将最大类别概率与预测熵相结合。多表示置信集成（Multi-Representation Confidence Ensemble, MRCE）随后跨表示聚合CER分数，而双重拒绝（Dual-Reject）在严重类别不平衡下以马氏距离（Mahalanobis distance）补充MRCE。在UNSW-NB15数据集上，MRCER-DR实现83.1%的未知样本召回率和86.2%的AUROC；在ToN-IoT数据集上，上述指标分别达到97.7%和90.9%。单样本推理延迟范围为0.04至1.01毫秒。在不修改分类器训练过程的前提下，该方法兼顾已知类别分类性能与未知攻击检测能力，为物联网开放集入侵检测提供了一种低开销的解决方案。

论文解读

一、研究背景与问题

随着物联网技术在工业控制、智能制造等领域的快速发展，物联网设备规模持续扩大，设备间互联程度日益加深，由此带来的安全威胁也愈发严峻。与传统互联网环境相比，物联网网络通常具有设备异构性强、协议类型复杂、节点资源受限等特点，这对安全防护方法在保持检测性能的同时兼顾计算开销与实际部署条件提出了更高要求。入侵检测系统作为物联网安全防护体系的重要组成部分，通过分析网络流量或系统行为来识别潜在攻击。

在封闭集分类假设下，测试阶段遇到的所有流量类别均被认为包含在训练数据中，模型主要学习区分已知正常流量与已知攻击类别。然而，真实网络环境中的攻击模式持续演变，新型攻击、攻击变体和低频攻击可能在训练阶段完全缺失。传统封闭集分类器面对这些未知攻击时仍会将其归入已知类别，导致漏检，削弱了入侵检测系统对新兴攻击的早期预警能力。因此，开放集入侵检测更适用于动态网络环境，要求模型既能准确识别已知流量类别，又能有效拒绝训练阶段未见过的攻击类型。

现有开放集方法存在三方面不足：其一，部分方法主要依赖单一判据进行未知样本识别，当该信号受到模型过度自信或分布偏移影响时，拒绝结果可能不稳定；其二，虽然多表示信息已在入侵检测中得到探索，但现有方法主要通过特征融合、重构结果聚合或投票决策来集成不同表示，不同表示产生的互补不确定性响应受到的关注相对有限；其三，入侵检测数据集通常存在显著的类别不平衡，少数类样本不足可能导致分类不稳定，进一步增加某些具有挑战性的未知攻击的检测难度。

二、研究内容与总体结论

针对上述问题，研究人员提出MRCER-DR方法，旨在提高未知攻击类别的拒绝能力，同时保持已知攻击类别的分类性能。该方法由三个渐进式模块组成：联合拒绝评分CER、多表示拒绝信息融合MRCE以及条件互补拒绝Dual-Reject。考虑到物联网边缘环境的计算与存储约束，MRCER-DR采用基于常规分类器输出、轻量级表示变换和后处理拒绝评分的轻量化设计。

在UNSW-NB15和ToN-IoT两个公开数据集上的实验结果表明，MRCER-DR在不同数据分布下有效提升了未知攻击检测能力，同时保持了相对稳定的已知类别分类性能。留一表示实验和相关分析进一步表明，不同表示为未知攻击识别提供了多样且互补的拒绝信息。该方法将多表示信息的应用从传统的特征拼接或分类结果融合扩展至拒绝评分层面，为开放集入侵检测中多源不确定性信息的集成提供了一种新途径。从应用角度看，该方法主要依赖常规分类器输出、轻量级统计表示和后处理拒绝评分，实验结果显示其推理开销较低，为边缘计算环境中的部署提供了计算可行性依据。

三、关键技术方法概述

MRCER-DR的核心技术方法包括三个方面。第一，CER评分机制：将最大类别概率与预测熵加权组合为联合拒绝分数，从预测确定性和整体分布不确定性两个视角刻画样本不确定性，基于分类器输出进行后处理，不修改原始分类模型的训练过程。第二，MRCE多表示集成机制：构建四种互补表示——原始特征表示（Raw）、基于特征相关性和监督依赖强度构建的特征关系图表示（Graph）、将一维表格特征按固定布局重排并提取行列统计聚合信息的轻量级二维统计表示（2D-Stat）以及图与二维统计增强表示的拼接表示（Fusion），分别训练随机森林（Random Forest, RF）分类器，对各表示下的CER分数进行Z-score标准化后取均值作为集成拒绝分数。第三，Dual-Reject条件补充拒绝机制：根据训练集已知类别的样本数量计算类别不平衡比，当不平衡比超过25时激活马氏距离分支，在融合表示空间中计算测试样本到各类已知类别分布的最小马氏距离，与MRCE分数通过OR规则联合判断，为高置信未知样本提供特征空间偏离的补充证据。实验采用UNSW-NB15和ToN-IoT两个公开数据集，其中UNSW-NB15覆盖传统企业网络环境，ToN-IoT覆盖物联网与工业物联网安全场景。

四、研究结果

总体开放集检测性能。 在UNSW-NB15上，MRCER-DR实现83.1±0.5%的未知样本召回率、86.2±0.1%的AUROC、76.6±0.1%的已知类别F1分数和24.1±0.7%的已知类别误拒率。在ToN-IoT上，未知样本召回率达97.7±2.1%，AUROC为90.9±0.8%，已知类别F1分数为89.8±0.1%，误拒率为17.8±1.1%。五次重复实验的95%置信区间较窄，表明性能在不同随机划分下波动有限。

与开放集基线方法的对比。 研究人员选取MSP-RF、OpenMax、Mahalanobis、Energy-RF、MSP-MLP、Energy-MLP和varMax七种代表性开放集检测基线方法进行对比。在相同实验条件下，MRCER-DR在两个数据集上均取得最高的未知召回率和AUROC。在UNSW-NB15上，相比最优基线，未知召回率提升6.1个百分点，AUROC提升1.1个百分点；在ToN-IoT上，未知召回率提升11.2个百分点，AUROC提升3.8个百分点。

模块消融实验。 以MSP拒绝为基线，依次引入CER、MRCE和Dual-Reject。在UNSW-NB15上，CER使未知召回率从基线提升10.7个百分点，MRCE进一步改善，Dual-Reject将其提升至83.1%。在ToN-IoT上，CER提升1.0个百分点，MRCE进一步大幅提升11.9个百分点。不同模块的贡献随数据分布而变化，CER在UNSW-NB15上贡献最显著，MRCE是ToN-IoT上性能提升的主要来源，Dual-Reject仅在满足激活条件时提供额外改善。

MRCE表示分析。 留一表示实验显示，在UNSW-NB15上移除任一表示均使未知召回率下降0.4至0.9个百分点，其中2D-Stat影响相对较大；在ToN-IoT上所有表示均有正向贡献，移除Graph导致最大降幅1.9个百分点。CER分数相关分析表明，所有表示对在两个数据集上均呈现正相关差异，即不同表示对已知样本的不确定性排序较为一致，而对未知样本的排序差异更大，验证了多表示拒绝信息的互补性。

未知类别轮换实验。 在每个数据集上评估三种不同的未知类别组合。UNSW-NB15上未知召回率范围为76.4%至83.1%，AUROC范围为84.1%至86.6%；ToN-IoT上未知召回率保持在97.7%至99.4%之间，AUROC范围为90.9%至98.9%，表明方法在不同未知类别选择下具有较好的稳定性。

Dual-Reject对挑战性未知类别检测的影响。 在UNSW-NB15上，CER和MRCE显著提升shellcode的检测召回率，但对worms的提升有限。启用Dual-Reject后，worms召回率从28.5%提升至44.2%，提升15.7个百分点，同时shellcode召回率保持87.6%不变，总体未知召回率从81.5%提升至83.1%，但误拒率从20.1%上升至24.1%。马氏距离阈值敏感性分析显示，阈值降低时worms召回率和总体未知召回率增加，但已知类别F1分数持续下降。在ToN-IoT上强制激活Dual-Reject的实验表明，在相对平衡的类别分布下引入马氏距离信号不改善未知攻击检测，反而增加已知样本的误拒。

拒绝阈值敏感性分析。 将MRCE拒绝阈值分位数从0.70变化至0.90时，两个数据集上已知类别F1分数与未知召回率呈相反趋势。较低阈值提高未知攻击召回率但增加已知样本误拒，较高阈值减少误拒但削弱未知攻击检测。0.8分位数作为中间设置提供了相对均衡的权衡。

效率分析。 训练时间范围为46.12至112.73秒，单样本推理延迟在UNSW-NB15上为1.008±0.313毫秒，在ToN-IoT上为0.043±0.002毫秒。在树莓派5上的部署实验显示，模型占用311.4 MB存储和594 MB峰值内存，单CPU核心平均推理延迟为0.198毫秒/流，吞吐量达5058流/秒。

五、讨论与结论

讨论部分指出，不同表示和不同拒绝信号在不同数据条件下贡献各异，MRCER-DR的性能提升并非简单源于增加更多拒绝信号，而是源于组合了捕捉未知样本不同特征的互补信号。多表示集成降低了拒绝结果对单一特征视角的依赖，Dual-Reject则在概率空间拒绝不足时提供特征空间偏离的补充证据。然而，UNSW-NB15上24.1%的误拒率表明，未知攻击检测能力的提升伴随着已知流量误拒的增加，实际应用中需根据拒绝决策的使用方式权衡这一取舍。当前拒绝阈值分位数和Dual-Reject激活条件基于固定规则设定，不平衡比阈值25为启发式标准而非普适边界，2D-Stat表示采用固定特征顺序进行分组统计聚合，这些均需在不同数据分布下进一步验证。

研究结论部分指出，本文提出MRCER-DR方法，针对传统封闭集入侵检测方法难以识别训练阶段未见攻击以及单一拒绝信号和单一流量表示信息有限的问题，通过CER联合最大类别概率与预测熵构建基础拒绝评分，MRCE集成四种表示的不确定性信息，并根据已知类别训练数据的不平衡程度条件性地引入马氏距离形成Dual-Reject双信号拒绝机制。在UNSW-NB15和ToN-IoT上的实验结果表明，该方法在不同数据分布下有效提升未知攻击检测能力，同时保持相对稳定的已知类别分类性能。该方法将多表示信息从常规的特征拼接或分类结果融合扩展至拒绝评分层面，主要依赖常规分类器输出、轻量级统计表示和后处理拒绝评分，实验证明其推理开销低，具备边缘计算环境部署的计算可行性。未来工作将聚焦三个方向：扩展表示集、优化边缘部署以及开发自适应阈值策略，以进一步提升方法在异构和演变网络环境下的泛化能力。