HECATE-IDS:用于物联网网络中自适应入侵检测的可解释持续时序图学习

《Pervasive and Mobile Computing》:HECATE-IDS: Explainable continual temporal graph learning for adaptive intrusion detection in IoT networks

【字体: 大 中 小 】 时间:2026年10月24日 来源:Pervasive and Mobile Computing 3.9

编辑推荐:

   摘要 物联网(IoT)网络的快速扩张使其暴露于复杂、分布式且持续演变的网络威胁之中。尽管基于深度学习的入侵检测系统(IDS)在检测性能上表现优异,但许多现有方法仍依赖静态流量表示、集中式训练、有限的可解释性以及固定的攻击分布,这降低了它们对未见攻击、概念漂移及动态物联网通信

  

摘要

物联网(IoT)网络的快速扩张使其暴露于复杂、分布式且持续演变的网络威胁之中。尽管基于深度学习的入侵检测系统(IDS)在检测性能上表现优异,但许多现有方法仍依赖静态流量表示、集中式训练、有限的可解释性以及固定的攻击分布,这降低了它们对未见攻击、概念漂移及动态物联网通信行为的应对能力。本研究提出了HECATE-IDS,一个层级式可解释持续自适应时序图演化框架。该框架将物联网流量建模为时间索引的网络行为图,并集成了层级式稀疏图Transformer学习、持续神经网络记忆、元迁移漂移适应、内在图基于的威胁依赖可解释性,以及联邦边缘共识学习。动态表示能够捕捉连续观测区间内演化中的通信链路、行为特征、交互强度、异常相关性和时间持续性。可解释因果决策引擎通过稀疏注意力相关性、异常传播强度和时序持久图关系提供模型内在的解释证据,无需外部事后解释器。该框架将本地检测单元与中央关联单元分离,使得本地感知、图分析、适应、解释和训练得以实现,同时原始流量保留在本地。HECATE-IDS在ToN-IoT、BoTIoT、MQTTIoT和CICIoT2023数据集上进行评估。在五次独立运行中,其准确率达99.73±0.04%,精确率达99.63±0.05%,召回率达99.62±0.05%,F1评分达99.62±0.04%。在零日攻击协议下,其准确率达99.02%,漂移适应性能达98.88%,遗忘率为1.34%。消融实验证实了各模块的互补贡献。联邦评估采用八个非独立同分布(non-IID)客户端进行30轮训练,更新体积为4.8 MB,平均每样本推理延迟为13.7毫秒。这些结果表明该框架具有统计稳定性、自适应、可解释和分布式入侵检测能力。

引言

物联网已成为现代数字生态系统的基本组成部分,赋能智能家居、医疗、工业自动化、交通系统、智慧城市和关键基础设施中的智能服务[1]、[2]。然而,异构且资源受限的物联网设备的快速增长显著扩大了网络攻击面。物联网网络日益暴露于分布式拒绝服务(DDoS)、僵尸网络、勒索软件、暴力破解、欺骗、侦察、注入及高级持续性威胁之中[3]、[4]、[5]。传统安全机制(如防火墙、基于规则的监控和基于签名的入侵检测系统)往往不足以应对此类环境,因为它们依赖于预定义的攻击模式,适应性有限,且难以检测未知或演化的威胁[6]、[7]、[8]。机器学习和深度学习技术已被广泛探索以改进物联网入侵检测。经典学习模型和深度神经架构,包括卷积神经网络(CNN)、循环神经网络(RNN)和长短期记忆(LSTM)网络,从大规模网络数据中学习判别性流量模式,并取得了令人鼓舞的检测性能[9]、[10]。然而,许多现有IDS模型仍将流量作为独立特征向量或序列流处理。此类表示存在局限性,因为物联网攻击往往通过协调的设备交互、异常通信依赖和演化的攻击传播路径出现。此外,传统基于深度学习的IDS常受高计算成本、弱可解释性、灾难性遗忘、概念漂移下的有限鲁棒性以及对零日攻击较差的泛化能力影响[11]、[12]。

在本研究中,"动态流量表示"指显式地在连续观测区间中更新的表示。HECATE-IDS并不假设单一固定的通信图或独立分类孤立记录,而是构建时间索引的网络行为图,其节点、通信链路、行为属性、交互强度和异常相关性可随观测流量的变化而变化。该定义涉及所提出IDS的时间表示和学习机制;它并不假设每个基准数据集本身就是一个持续运行的实时网络。观测区间的特定数据集实现以及用于构建演化图的流量特征在实验分析中进行了描述。

图神经网络(GNN)和基于图的学习方法最近因在网络安全领域受到越来越多的关注,因为它们使用图结构来表示网络实体、通信链路和关系依赖[13]、[14]、[15]。这种能力对物联网入侵检测尤为重要,因为恶意行为可能无法从孤立流量记录中完全观察到,但可以通过设备之间异常的拓扑和时序交互来识别。GraphSAGE、图注意力网络及相关基于图的IDS模型通过联合利用节点级特征和通信拓扑,展现了改进的性能[16]、[17]、[18]、[19]、[20]。然而,许多基于图的IDS框架仍依赖静态图构建和集中式模型训练。因此,它们无法完全捕捉动态的物联网通信行为、保留历史入侵知识、适应演化的流量分布或为安全分析师提供透明推理。一个相关局限是固定攻击分布的频繁使用,即攻击类别、其相对发生频率及其统计特征在训练和评估期间保持不变。这种假设对实际运行的物联网网络而言过于严格,因为新出现的攻击类别、变化的攻击比例、设备行为变化以及改变的通信模式可能导致底层数据分布发生偏移。在HECATE-IDS中,演化的攻击分布通过持续记忆和感知漂移的适应来处理,而零日条件则通过从模型学习中保留选定攻击类别并在评估期间引入来模拟。实验部分规定了具体的数据划分和漂移评估程序,以确保可重复性。

这些局限性促使开发一种联合建模时序图演化、自适应学习、可解释性和隐私保护分布式部署的IDS框架。为满足这一需求,本文提出了HECATE-IDS,一个用于物联网入侵检测的层级式可解释持续自适应时序图演化框架。该框架将物联网流量转化为动态时序网络行为图,并通过层级式稀疏图Transformer学习时序-拓扑入侵表示。它进一步集成持续神经网络记忆和元迁移漂移适应,以保留先前学习的威胁知识并适应新兴攻击模式。由于HECATE-IDS结合了多种学习和部署机制,每个模块的贡献必须独立证明,而非从完整框架的性能中推断。相应地,实验设计包括受控消融变体,在其中分别移除层级式稀疏图Transformer(HSGT)、持续神经网络记忆单元(CNMU)、元迁移漂移适配器(MTDA)、可解释因果决策引擎(ECDE)和联邦边缘共识学习(FECL),同时保持其余训练条件不变。评估还考虑了相对于竞争模型的计算成本,以及通过重复独立运行并以平均性能和标准差进行总结,使微小数值改进可从一致性的角度而非单次有利运行来解释。

联邦IDS组织遵循本地-中央计算结构。在每个客户端或边缘网关处,检测单元在概念上由传感器单元和分析器单元组成。传感器单元获取和预处理本地网络流量,而分析器单元执行图构建、入侵分析、推理、持续适应和本地训练,使用当前全局模型。在中央服务器端,关联单元汇总从参与客户端接收的模型更新,并在下一联邦轮次中重新分发生成的全局模型。因此,原始流量保留在检测单元的本地,而仅将模型信息与关联单元交换。联邦评估因此不仅报告预测性能,还报告通信轮数、本地训练配置、模型更新体积、聚合延迟和通信轮次成本。这些测量用于表征FECL引入的开销。同时,关于边缘部署的主张保守地表述:本研究在报告的实验平台上评估了计算和通信可行性,但并不声称在专用低内存边缘设备或物理物联网网关上进行验证。实际设备边缘基准测试被视为单独的部署验证步骤。此外,引入了可解释因果决策引擎以支持可解释的入侵推理和威胁谱系追踪,同时联邦边缘共识学习在分布式物联网环境中实现协作模型优化,而无需共享原始流量数据。

所提出的可解释因果决策引擎(ECDE)不使用SHAP或LIME作为外部事后解释层。相反,它通过结合稀疏图注意力相关性、异常显著性、时间依赖信息、可疑节点贡献和估计的因果威胁影响,提供模型内在的图基于可解释性。因此,入侵决策可关联到对预测贡献最大的图实体和通信路径,支持节点级、链路级和攻击谱系级解释。

本文的主要贡献总结如下:

• 我们提出了HECATE-IDS,一个用于物联网入侵检测的层级式可解释持续自适应时序图演化框架。与依赖静态流量表示的传统IDS模型不同,HECATE-IDS将物联网流量建模为时间索引的网络行为图,其通信链路、行为属性、交互强度和异常相关性在连续观测区间中不断演化。

• 我们开发了层级式稀疏图Transformer(HSGT),利用异常感知稀疏注意力学习多尺度时序-拓扑威胁表示。所提出的机制将计算集中在攻击相关的图邻域,使框架能够捕捉协调的多阶段入侵行为,同时减少无限制图Transformer注意力带来的计算负担。

• 我们将持续神经网络记忆单元(CNMU)与元迁移漂移适配器(MTDA)集成,以支持持续入侵学习、概念漂移适应、灾难性遗忘缓解以及对先前未见恶意行为的泛化。该机制在保留历史威胁知识的同时,将学习到的表示适应变化的物联网流量和攻击分布。

• 我们引入了可解释因果决策引擎(ECDE)和联邦边缘共识学习(FECL)。ECDE利用稀疏注意力相关性、异常传播证据和时序持久性提供内在的图基于威胁依赖解释,而FECL通过本地检测单元和中央关联单元组织分布式入侵检测,无需传输原始客户端流量。这为分布式IDS操作提供了清晰且可重复的本地-中央计算工作流。

• 我们在ToN-IoT、BoTIoT、MQTTIoT和CICIoT2023上提供了全面的实验验证,包括组件级消融、五次独立运行(含均值和标准差)、零日和概念漂移评估、计算成本比较以及联邦通信开销分析。评估还区分了工作站级别的边缘计算可行性与在物理低内存物联网网关上未经验证的部署。

本文其余部分组织如下。第2节回顾与物联网入侵检测、图神经网络、基于Transformer的IDS模型、持续学习、可解释网络安全和联邦入侵检测相关的研究。第3节介绍所提出的HECATE-IDS方法,包括动态行为图构建、层级式稀疏图Transformer学习、持续神经网络记忆、感知漂移的元迁移适应、可解释因果推理和联邦边缘共识学习。第4节描述实验设置、四个基准物联网数据集、实现细节、评估指标和收敛分析。第5节展示比较结果、相关研究比较、零日和漂移适应评估,并讨论获得的发现。最后,第6节总结全文并概述未来研究方向。

---

相关工作

物联网入侵检测已成为一个重要研究方向,因为异构且资源受限的联网设备日益暴露于DDoS攻击、僵尸网络、欺骗、侦察、注入攻击、勒索软件、暴力破解尝试及其他演化的网络威胁中。与常规企业网络不同,物联网环境在多样化的设备、协议和部署条件下生成动态且异构的流量。因此,传统的基于规则的……

---

所提方法

本节介绍所提出的HECATE-IDS框架,这是一个用于物联网入侵检测的层级式可解释持续自适应时序图演化模型。该框架旨在解决现有IDS方法的主要局限,包括静态流量表示、零日攻击适应弱、可解释性有限、灾难性遗忘、概念漂移以及分布式物联网环境中的可扩展性约束。与处理……的传统IDS模型不同

---

实验分析

本节评估所提出的HECATE-IDS框架在多样化物联网入侵检测场景下的有效性。实验旨在评估分类性能、收敛行为、鲁棒性、可扩展性、可解释性、持续适应、概念漂移处理和零日检测能力。所提出的框架在二分类和多分类设置下进行评估。在二分类设置中,流量样本被分类为良性或……

---

结果与讨论

本节展示所提出的HECATE-IDS框架的比较评估和讨论。评估使用四个基准物联网入侵检测数据集进行,即ToN-IoT、BoTIoT、MQTTIoT和CICIoT2023,在二分类和多分类设置下进行。选择这些数据集是因为它们代表了大规模异构物联网流量、僵尸网络定向攻击、MQTT协议特定威胁和现代大规模物联网入侵场景。所提出的……

---

结论

本研究提出了HECATE-IDS,一个用于自适应物联网入侵检测的层级式可解释持续自适应时序图演化框架。该框架集成了动态网络行为图构建、层级式稀疏图Transformer学习、持续神经网络记忆、感知漂移的元迁移适应、内在图基于可解释性和联邦边缘共识学习。通过将物联网流量表示为演化中的时序图,HECATE-IDS捕捉了变化的……

---

CRediT作者贡献声明

Muhammad Javed:撰写——初稿,方法论,形式化分析,概念化。Muhammad Usman Ghani:撰写——审阅与编辑,撰写——初稿,验证,监督,方法论。Hamid Masood Khan:撰写——审阅与编辑,监督,形式化分析。

Fida Muhammad Khan:撰写——审阅与编辑、撰写——原稿、监督、构思。Muhammad Hammad Nawaz:撰写——审阅与编辑、撰写——原稿、方法论、形式化分析。

利益冲突声明:作者声明不存在已知的竞争性经济利益或个人关系,这些因素可能对本研究报告中的工作产生影响。

致谢:作者衷心感谢马来西亚马六甲技术大学(Universiti Teknikal Malaysia Melaka, UTeM)研究与创新管理中心(Centre for Research and Innovation Management, CRIM)对本研究提供的宝贵支持。

Muhammad Javed | Muhammad Usman Ghani | Hamid Masood Khan | Fida Muhammad Khan | Muhammad Hammad Nawaz | Mazen Farid | Jamil Abedalrahim Jamil Alsayaydeh | Tarmizi Ahmad Izzuddin
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号