一种融合多层感知器、SMOTE技术、非独立同分布联邦学习以及可解释人工智能的混合入侵检测框架

《Scientific Reports》：A hybrid intrusion detection framework integrating multi-layer perceptron, SMOTE, and non-IID federated learning with explainable AI

　　

摘要

随着网络威胁的迅猛增长，迫切需要先进的入侵检测系统来在分布式环境中保障数据保密性。本研究提出了一种全新的、具备隐私保护功能的入侵检测框架，该框架融合了联邦学习、深度学习以及可解释人工智能技术。具体而言，通过采用合成少数类过采样技术优化轻量级的多层感知器架构，有效解决了CICIDS2017数据集中的类别不平衡问题。为克服深度学习的“黑箱”缺陷，还整合了SHapley加性解释、主成分分析以及t-SNE等方法，以实现高精度的特征可解释性。尤为关键的是，为避免数据泄露导致检测结果失真，SMOTE处理及所有特征缩放操作均在80/20分层划分后的训练集上进行，测试集始终未被触碰。在无数据泄露的测试条件下，集中式模型的加权F1分数为0.974（准确率为96.49%）；通过三种不同随机种子进行的五折交叉验证，其加权F1分数为0.9881±0.0042，进一步证明了结果的稳定性。在10个分布式客户端构成的严格非独立同分布环境下，该联邦学习框架的加权F1分数仍为0.9167；此外，控制实验也表明SMOTE的效果优于类别加权及不进行类别再平衡的基准方法。这一框架为边缘计算场景下的轻量级本地威胁检测、少数类识别能力的提升以及隐私保护的去中心化学习之间找到了最佳平衡点。