物联网跨域入侵检测：多域基准与最大均值差异加权集成方法

《Scientific Reports》：An MMD-weighted ensemble for multi-source cross-domain intrusion detection in heterogeneous IoT systems

　　

摘要

跨域入侵检测对于保护异构物联网（IoT）部署至关重要。然而，在一个环境中训练出的检测器在域偏移下性能会急剧下降，这种偏移源于不同物联网域之间在协议、设备类型和网络架构上的系统性差异。现有方法通常侧重于单域训练或需要显式特征对齐，这两者都限制了实际部署。为解决这一问题，本文提出了一个系统的多域基准测试，使用了包含7,000个标记流量样本、39个特征、覆盖六个域的公开发布物联网自适应数据集，并提出了最大均值差异加权集成（MMD-WE），这是一种多源集成方法，通过最大均值差异（MMD）推导的相似度分数对每个域的XGBoost分类器进行加权，而无需任何显式特征对齐。相关对齐（CORAL），一种广泛使用的二阶域自适应方法，作为比较基线。域内检测达到了92.86%的准确率和0.9825的ROC曲线下面积（AUC）；单源跨域转移的非对角准确率在89.6%到93.7%之间；在留一域外的多源自适应中，MMD-WE达到了92.80%的平均准确率，略微超过了合并多源基线的92.69%，并显著优于CORAL对齐变体的92.22%。通过SHapley加法解释（SHAP）分析进一步表明，以通信可靠性和负载熵为主导的自适应感知特征主导了预测，并且数据集的自适应状态对风险进行了分层：攻击发生率从低偏移下的2.9%上升到高偏移下的81.8%。这些发现支持了偏移感知的告警分流和无标签部署的鲁棒物联网入侵检测器。