融合因果建模与反事实推理的可解释性云计算入侵检测框架

《Scientific Reports》：A causality-aware and explainable intelligence framework for secure and resilient cloud systems

　　```div class="c-article-section" id="Abs1-section">

摘要

云计算环境日益容易受到高级且动态的网络攻击的影响，这些攻击利用了复杂的攻击行为模式、动态的访问规律以及共享基础设施中的漏洞。传统的云计算入侵检测平台主要基于基于关联的机器学习算法或非自适应的规则检测机制，但在面对不断变化的攻击策略时存在泛化能力不足的问题，并且提供的操作解释性有限，难以建立起操作上的信任。本文提出了一种具有因果 Awareness 和可解释性的智能框架，用于构建安全且具备恢复力的云系统以应对这些挑战。该框架结合了结构化因果建模与深度行为表示学习技术，以揭示云网络流量中恶意活动的潜在因果关系。同时利用反事实推理来增强系统对低频攻击和规避性攻击的抵御能力，而因果解释模块则生成了透明且人类可理解的安全性依据。实验分析采用 UNSW-NB15 基准数据集进行，该数据集包含多种类型的入侵行为和真实的云流量模式。实验结果显示，所提出的框架具有98.34%的检测准确率、97.91的 F1 分数以及1.62%的较低误报率，显著优于传统的机器学习和深度学习方法。韧性分析表明，该框架能够有效应对对抗性干扰和低频攻击，其韧性提升了超过12%，表现出比基于关联的模型更强的适应性。这些发现证实了在云计算安全系统中融入因果关系和可解释性不仅可以提升检测性能，还有助于增强信任度、提高透明度和增强系统的操作稳定性。所提出的框架是一种可解释且可扩展的工具，适用于需要高度安全性的现代云系统和基础设施。进一步的验证使用 CICIDS2017 基准数据集，进一步证明了该框架的泛化能力和鲁棒性。

```