《Frontiers in Computer Science》：Next-generation intrusion detection in cyber-physical systems using an ensemble of quantum-inspired and deep neural models
信息物理系统（CPS）可能引发执行和安全风险。由于日益增长的安全问题，入侵检测对于维护系统完整性至关重要。如今，深度学习（DL）方案已被部署用于增强网络攻击检测，但这些模型容易过拟合，从而降低检测性能。因此，本研究提出了一种新型的基于深度学习的入侵检测系统（IDS）用于CPS，以解决这些限制。所提出的方法包括四个关键阶段，包括预处理、特征提取、特征选择和入侵检测。通过清洗进行数据预处理，随后提取统计特征[均值、中位数和标准偏差（SD）]、基于熵的特征、改进相关性、改进互信息（MI）、流特征和改进信息增益（IIG）特征，这些特征被推导以获得重要特征。采用基于团队工作原则的阿基米德算法（AA_TWP），该算法整合了阿基米德优化算法（AOA）和团队优化算法（TOA），并对探索阶段进行了修改，以高效选择最相关的特征。所选特征与预处理数据一起输入到深度信念网络（DBN）、量子深度神经网络（QDNN）和优化双向长短期记忆网络（Bi-LSTM）的集成中，Bi-LSTM权重进一步由AA_TWP调优。集成输出取平均以产生最终入侵决策。实验结果表明，该方法实现了91.52%的准确率和91.76%的马修斯相关系数（MCC），突出了所提出方法的有效性，优于现有技术。
**下一代信息物理系统入侵检测：基于量子启发与深度神经模型集成的研究解读**
**1. 研究背景与问题**
信息物理系统（CPS）通过计算、通信和网络化执行器与传感器实现物理过程与计算过程的深度融合，广泛应用于工业4.0、智能电网等关键基础设施。然而，CPS的广泛部署引入了诸多安全风险，可能导致不精确的执行与感知，进而对受控物理对象和依赖系统的人员造成严重损害。CPS由感知层、传输层和应用层构成，其感知层设备资源受限且暴露于物理环境，易被篡改，且单一设备被攻破可能影响整个系统，使得CPS比传统计算机网络更易遭受入侵攻击。
随着安全威胁的日益增长，入侵检测系统（IDS）作为第二道防线，对于识别其他安全措施未能检测出的入侵行为至关重要。基于异常检测的IDS能够识别未知攻击，这对于CPS尤为重要。近年来，深度学习（DL）方案被广泛部署以增强网络攻击检测能力，但现有深度学习模型存在过拟合问题，导致检测性能下降。此外，许多无监督方案无法处理多变量时间序列中固有的非线性相关性，而这类数据在CPS传感器产生的数据流中占很大比例。现有研究，如基于贝叶斯方法的ARTINALI#、通用特定自编码器（GSAE）、多元集成分类器（MEC）、分层分布式检测方案、基于群体智能的特征选择方法等，虽然取得了一定成效，但分别存在对动态正常状态适应困难、计算开销大、特征选择精度低、易陷入局部最优、泛化能力不足等问题。因此，亟需开发一种高效且有效的CPS入侵检测模型，以克服现有方法在特征质量、信息冗余和检测性能方面的局限性。
**2. 研究目的与意义**
本研究的目的是提出一种新型的基于深度学习的入侵检测系统（IDS），用于CPS环境，以解决现有模型过拟合、特征提取不充分、检测精度不足等问题。该研究通过提取增强特征（包括改进相关性、改进互信息（MI）和改进信息增益（IIG））以及采用混合优化与集成学习策略，显著提升了入侵检测性能。论文发表在《Frontiers in Computer Science》。
**3. 主要技术方法（不超过250字）**
本研究采用的方法包括四个主要阶段：（1）**数据预处理**：通过清洗去除噪声和缺失值。数据来源为两个公开数据集：IoT Botnet数据集（包含40,000条记录，83个属性，二分类标签）和UNSW-NB15数据集（包含175,341条训练记录，82,332条测试记录，九种攻击类型）。（2）**特征提取**：提取统计特征（均值、中位数、标准差（SD））、熵特征、改进相关性特征、改进互信息（MI）特征、流特征、改进信息增益（IIG）特征。（3）**特征选择**：采用基于团队工作原则的阿基米德算法（AA_TWP），该算法融合阿基米德优化算法（AOA）和团队优化算法（TOA）并改进探索阶段，用于选择最优特征子集。（4）**集成分类**：将所选特征与预处理数据输入到由深度信念网络（DBN）、量子深度神经网络（QDNN）和AA_TWP优化权重后的双向长短期记忆网络（Bi-LSTM）组成的集成分类器中，三个模型的输出取平均得到最终入侵决策。
**4. 研究结果**
**4.1 性能分析（Performance analysis）**
研究人员在两种数据集上，将所提出的EC+AA_TWP模型与多种现有优化方法（如EC+AOA、EC+SSO、EC+SSOA等）以及前沿模型（如ChOA、QDMO、QPSO-ELM、QSVM-IGWO、QSVC-QRF、HQNN）进行对比。结果表明，在IoT Botnet数据集上，EC+AA_TWP在90%训练数据下精确率达到0.921，在70%训练数据下准确率和特异性分别达到0.920和0.925，均优于对比方法。在UNSW-NB15数据集上，EC+AA_TWP在80%训练数据下精确率达到0.936，FNR和FPR分别为0.064和0.061，F-measure为0.937，整体性能显著优于所有对比模型。
**4.2 描述性统计分析（Descriptive statistical analysis）**
通过10次独立运行的统计分析，EC+AA_TWP在IoT Botnet数据集上准确率的均值和中位数分别为0.908和0.907，优于RF、SVM、RNN、CNN、GRU、GSAE和多层LSTM等传统分类器。在UNSW-NB15数据集上，EC+AA_TWP的均值和标准差分别为0.921和0.011，最佳准确率达到0.934，同样优于所有对比方法。
**4.3 消融分析（Ablation analysis）**
消融分析验证了各组件贡献。在IoT Botnet数据集上，EC+AA_TWP准确率为89.71%，高于使用传统相关性、传统IG、传统MI、无优化、无特征提取或使用传统AOA的模型。在UNSW-NB15数据集上，EC+AA_TWP准确率为91.52%，特异性为91.86%，F-measure为91.79%，MCC为91.76%，显著优于仅使用单个模型（如仅Bi-LSTM、仅QDNN、仅DBN）或未优化的模型，证明集成框架和优化算法的有效性。
**4.4 收敛性分析（Convergence analysis）**
收敛性分析表明，AA_TWP算法在IoT Botnet数据集上从第5次迭代起成本函数降至1.042，在UNSW-NB15数据集上从第15次迭代起成本函数降至1.0522，收敛速度和稳定性均优于AOA、SSO、SSOA、PRO、TOA、ChOA和QDMO等对比算法。
**4.5 IOU分析（IOU analysis）**
在IoU分析中，EC+AA_TWP在IoT Botnet数据集上80%训练数据下IOU达到0.847，在UNSW-NB15数据集上各训练比例下均优于其他优化方法，说明模型对重叠区域的分割效果更好。
**4.6 ROC分析（ROC analysis）**
ROC曲线显示，EC+AA_TWP在IoT Botnet和UNSW-NB15数据集上的AUC均为0.93，位于左上角，优于RF、SVM、RNN、CNN、GRU、GSAE和多层LSTM等模型，表明其具有更高的分类能力。
**4.7 计算复杂度分析（Computational complexity analysis）**
时间复杂度和空间复杂度分析显示，EC+AA_TWP在IoT Botnet数据集上执行时间为100.676秒，在UNSW-NB15数据集上为112.767秒，均低于其他集成方法。测试时间在IoT Botnet和UNSW-NB15数据集上分别为0.019秒和0.017秒，优于RF、SVM等传统分类器。空间复杂度在IoT Botnet和UNSW-NB15数据集上分别为0.171 KB和0.243 KB，显著低于EC+AOA等对比方法。
**4.8 分类器比较（Classifier comparison of ensemble and other classifiers）**
将EC+AA_TWP与RF、SVM、RNN、CNN、GRU、GSAE和多层LSTM进行对比，EC+AA_TWP在IoT Botnet数据集上准确率为89.71%，FNR为30.00%，FPR为5.71%；在UNSW-NB15数据集上准确率为91.52%，FNR为8.99%，FPR为8.14%，均优于其他分类器。
**4.9 特征选择分析（Analysis of feature selection）**
AA_TWP特征选择方法在IoT Botnet数据集上准确率为89.71%，在UNSW-NB15数据集上准确率为91.52%，高于LDA、PCA和CHi2等传统特征选择方法。
**4.10 学习率敏感性分析（Sensitivity analysis using various learning rates）**
EC+AA_TWP在较低学习率（0.001）下表现最佳，在IoT Botnet和UNSW-NB15数据集上准确率分别达到91.37%和91.67%，说明较低学习率有助于模型捕捉更精细的数据模式。
**4.11 高斯噪声鲁棒性分析（Performance comparison based on varying Gaussian noise）**
在0.2至0.8的高斯噪声水平下，EC+AA_TWP在IoT Botnet数据集上准确率从0.910降至0.891，在UNSW-NB15数据集上准确率从0.934降至0.906，MCC始终高于0.907，表明模型具有较强的噪声鲁棒性。
**4.12 统计显著性分析（Statistical significance analysis）**
t检验、Wilcoxon检验和Friedman检验结果表明，EC+AA_TWP在多数对比中p值小于0.05或0.1，说明其性能提升在统计上是显著的，特别是在IoT Botnet数据集上。
**4.13 混淆矩阵分析（Analysis of the confusion matrix）**
混淆矩阵显示，EC+AA_TWP在两种数据集上均实现了更高的真正例率和更低的误分类率，优于EC+AOA、EC+SSO等对比方法。
**4.14 可扩展性分析（Scalability analysis）**
随着数据集大小从20%增加到80%，EC+AA_TWP在IoT Botnet数据集上准确率从0.885提升至0.909并保持稳定，在UNSW-NB15数据集上从0.906提升至0.920，FNR持续降低，表明模型具有良好的可扩展性。
**4.15 K折交叉验证分析（K-fold analysis）**
五折交叉验证中，EC+AA_TWP在IoT Botnet数据集上准确率在0.902至0.907之间，在UNSW-NB15数据集上在0.901至0.922之间，均显著高于其他对比方法，验证了模型的稳定性和泛化能力。
**4.16 概念漂移与非平稳数据条件分析（Analysis on concept drift and non-stationary data conditions）**
在概念漂移条件下，EC+AA_TWP在IoT Botnet和UNSW-NB15数据集上准确率分别达到0.909和0.907；在非平稳数据条件下，准确率分别为0.889和0.887，显示模型在动态环境中仍保持稳健性能。
**4.17 跨数据集验证分析（Cross-dataset validation analysis）**
使用IoT Botnet数据集训练、UNSW-NB15数据集测试时，准确率为0.928，MCC为0.930；反向训练测试时，准确率为0.939，MCC为0.917，表明模型具有很强的跨数据集泛化能力。
**5. 讨论与结论**
**讨论部分：** 现有方法如ARTINALI#、GSAE、MEC、SIDS、多层LSTM、ChOA-ANFIS、QDMO等存在各自局限，如难以捕捉细粒度模式、特征不充分、计算开销大、收敛慢、特征选择效果差等。本研究提出的EC+AA_TWP框架通过提取多种增强特征（统计、相关性、MI、IIG等）和集成DBN、QDNN、优化Bi-LSTM，有效减少了误分类，提高了检测鲁棒性。尽管集成了多个模型，但运行时间仍优于现有方法（100.676秒），且AOA与TOA的融合确保了快速收敛。然而，该框架存在局限性：多模型集成导致计算复杂度较高，可能不适合资源受限的CPS实时环境；依赖手工特征，增加了系统复杂度并可能限制泛化；主要针对DoS和DDoS攻击设计；性能对超参数配置敏感。未来研究应开发轻量级边缘高效架构，在更大规模基准数据集上验证，扩展检测攻击类型，并探索联邦学习以保护隐私。
**结论部分翻译：** 本研究引入了一种先进的信息物理系统（CPS）入侵检测方法，该方法整合了数据清洗、多样化特征提取（包括统计特征、相关性、熵、互信息（MI）、流特征和改进信息增益（IIG）特征）以及集成分类器（EC），以实现鲁棒的攻击检测。该方法结合了量子启发深度神经网络（QDNN）与长短期记忆网络（LSTM），后者通过自适应时间加权预测算法（AA_TWP）进行微调，以提高检测精度并适应不断演变的攻击模式。QDNN利用量子原理提升深度学习模型的效率和准确性，为识别CPS环境中复杂的高维攻击方法提供了更有效的途径。最终检测结果由多个模型平均得出以确保可靠性，同时系统监控用户行为、识别异常流量并确保符合安全策略，使该方法在CPS中具有高度实用性。这种量子启发模型的集成符合CPS的下一代安全需求，其中网络层和物理层都必须防范动态和复杂的威胁。结果表明，所提出的EC+AA_TWP模型实现了最高准确率92.06%，优于EC+AOA（88.76%）、EC+SSO（89.06%）和QSVM-IGWO（88.91%）等其他方法。这一显著改进证明了AA_TWP在选择最相关特征方面的优越性，从而增强了集成分类器的入侵检测能力。尽管其他元启发式方法取得了87.28%至89.06%的竞争性准确率，但它们仍不及EC+AA_TWP。由此，该方法提高了检测精度并增强了整体CPS安全性能。尽管取得了这些有前景的结果，但多模型的集成增加了模型复杂度，且模型性能严重依赖手工特征，这可能影响效率。此外，未来研究应探索轻量级架构以降低计算负荷并支持实时CPS部署，同时应关注集成迁移学习以提升检测性能，并在更广泛的基准数据集上进行验证，扩展到检测更广泛的攻击类型，以及在真实CPS环境中实施和测试系统以评估其实际有效性。
