摘要
随着物联网相关环境的互联互通性不断增强，它们更容易受到网络攻击，因此需要入侵检测系统来确保其安全可靠的运行。入侵检测系统的特征选择过程会直接影响其性能，有效的特征选择能够提升检测精度，同时降低计算成本和模型复杂度。本文提出了一种自适应混合遗传算法-模拟退火算法作为特征选择框架，该框架结合了遗传算法的全局搜索能力与模拟退火的局部优化能力。AHGA-SA旨在以可接受的计算成本，在高维入侵检测数据集中找到简洁且具有信息量的特征子集，同时保持良好的检测性能。在三个最新测试数据集上的实验结果表明，该算法能够有效减少特征空间，其在IoTID20数据集上使用12个特征时的分类准确率为99.04%，在WUSTL-EHMS数据集上使用7个特征时为98.25%，在Edge-IIoTset数据集上使用9个特征时为99.18%。此外，与基准方法相比，该算法还能缩短训练和测试时间，降低中央处理器的使用率、内存占用以及特征子集的大小。另外，本文还采用了可解释人工智能技术中的Shapley加法解释方法，用于解释模型的预测结果，并展示所选特征对入侵检测系统决策过程的贡献。
