摘要
本文提出了一种面向资源异构雾-IoT部署的网络入侵检测系统（NIDSs）的自适应置信门控集成（ACGE）框架。没有任何单一算法范式能够同时实现在少数类检测上达到高精度、亚毫秒级推理延迟以及跨异构IoT流量的泛化能力——尤其是在资源受限的雾-IoT节点上。为应对这一挑战，ACGE通过一个基于模型间误差互补性训练的学习型样本自适应门控网络，将序列Transformer编码器与LightGBM进行集成，并在三模式分层部署架构中进行了形式化规范。两个模型对每个样本并行执行；门控网络为18%的样本分配Transformer主导权重（α ≈ 1），在这些样本中基于注意力的处理能够带来最大的架构优势。在真正的并行推理下，ACGE的延迟为1.45毫秒（受Transformer约束）；在CPU-GPU流水线并行下的实测挂钟延迟为1.52毫秒。该框架在IoTID20（主要IoT基准数据集）和NSL-KDD（可复现性锚定数据集）上通过5折分层交叉验证及McNemar显著性检验进行了评估，并通过CICIoT2023和Edge-IIoTset上的零样本迁移进行了验证。值得注意的是，序列Transformer编码器和ACGE每次决策处理L = 5条连续流量记录，提供了单流基线模型可用信息的五倍；Transformer性能优势的约57%归因于架构设计而非扩展的输入访问。在IoTID20多分类任务中，ACGE是唯一评估配置中准确率与宏平均F1差距为负值（?0.51个百分点）的方案，达到99.12 ± 0.03%的准确率和98.67 ± 0.08%的平衡准确率，证明了真正的少数类检测改进。LightGBM实现了最优的雾层配置（0.97毫秒延迟，三个月内概念漂移敏感度为?0.53个百分点）。在Edge-IIoTset零样本迁移中，ACGE达到93.89%的二分类准确率和85.78%的多分类宏平均F1。勒索软件检测（所有模型的F1值在12.34–66.34%之间）被确定为主要的性能能力缺口；有针对性的数据收集、少样本适配和联邦学习被推荐为最关键的未来方向。所有跨范式性能差异均以均值 ± 标准差报告，并通过经Bonferroni校正的McNemar检验进行验证。
