HTPI：一种新的头尾人口初始化方法，用于提高物联网入侵检测系统（IoT IDSs）中的特征选择稳定性，并具备事后可解释的人工智能（AI）分析能力

《Sensors》：HTPI: A New Head–Tail Population Initialization for Feature Selection Stability in IoT IDSs with Post Hoc Explainable AI Analysis

　　

摘要

随机元启发式特征选择（FS）在多次运行中可能会生成不稳定的特征子集，从而影响物联网（IoT）入侵检测系统（IDSs）的可复现性。本文提出了一种基于特征重要性指导的初始化方法——Head–Tail Population Initialization（HTPI），该方法用于增强自适应混合遗传算法-模拟退火（AHGA-SA）基础的FS的稳定性。HTPI利用特征重要性得分将候选特征分为头部（Head）和尾部（Tail）两组，并通过优先考虑头部特征并以基于重要性的权重抽取尾部特征来进行初始化。HTPI作为增量扩展集成到AHGA-SA中，称为HTPI-AHGA-SA，仅修改了初始化和重新初始化步骤。在八个面向物联网的IDS数据集上进行的实验中，每种配置进行了50次运行，并在方法之间配对种子值。经过Holm校正后，所有数据集在HTPI-AHGA-SA下的Nogueira稳定性显著提高，且每次实验的非重叠95%留一法（leave-one-run-out）置信区间都满足要求。这些结果展示了在固定数据划分下的算法跨运行稳定性。所有数据集级别的平均F1值的绝对差异均低于；六个数据集在统计上达到了这种差异的显著性水平，而特定于数据集的安全性指标权衡仍然存在。在三个代表性数据集上，事后可解释的人工智能（XAI）分析表明，在重新训练后，所选头部和尾部部分基于排列重要性（PI）的跨运行一致性较高，且预测效用可测量。