编辑推荐：
随着物联网(IoT)网络规模与异构性上升，可靠检测入侵的系统需求日益增长。然而当采用强表格模型作为基准时，集成复杂度是否真正带来收益并不明确。研究人员在三个基准数据集（CICIoT2023、TON_IoT与Edge-IIoTset）上系统评估软投票集成的可靠性
随着物联网(IoT)网络规模与异构性上升，可靠检测入侵的系统需求日益增长。然而当采用强表格模型作为基准时，集成复杂度是否真正带来收益并不明确。研究人员在三个基准数据集（CICIoT2023、TON_IoT与Edge-IIoTset）上系统评估软投票集成的可靠性与准确性，采用无泄漏协议与两次重复的分层10折交叉验证。不同规模与组成的集成与决策树(DT)、K近邻(KNN)、随机森林(RF)、LightGBM、XGBoost及CatBoost进行基准比较，结果显示集成复杂度并未带来一致性能提升：例如SoftVote-2在CICIoT2023上将宏F1从LightGBM的0.8506提升至0.8563，而LightGBM在TON_IoT与Edge-IIoTset仍占优。泄漏分析表明，划分前重采样使准确率虚增约8个百分点、宏F1虚增14至17个百分点。为权衡性能与复杂度，研究人员评估训练时间、推理延迟、内存与模型大小，并以LIME与SHAP考察解释稳定性、局部保真度与归因一致性。XAI引导的特征选择显示，前15重要特征保留98.4%–99.4%原始宏F1且推理延迟降低达38%。结果表明集成复杂度的价值随数据集而异，应与计算成本一并权衡。本研究主要贡献为一个泄漏感知且可解释性赋能的框架，用以判断集成复杂度何时为IoT入侵检测带来真正的预测与实践收益。
研究背景方面，物联网(IoT)设备因暴露于拒绝服务(DoS)与分布式拒绝服务(DDoS)等攻击而面临严重安全风险，传统依赖固定规则的入侵检测系统(IDS)与入侵防御系统(IPS)对演化型攻击适应性有限，引入人工智能(AI)虽可提升检测可靠性，但已有文献在CICIoT2023、TON_IoT与Edge-IIoTset上的准确率报告差异巨大，且任务不等价、重采样时机不明，集成复杂度是否优于强单表格学习器尚未被系统量化。为此，研究人员在《Sensors》发表该研究，旨在以统一协议评估软投票集成相对于LightGBM等强单学习器的边际价值、量化评估泄漏、权衡复杂度与部署成本，并将局部可解释模型无关解释(LIME)与SHAP归因一致性纳入可靠性判断。
关键技术方法上，研究人员选取CICIoT2023（33类细粒度攻击聚合为8类，抽样66,000行）、TON_IoT与Edge-IIoTset（各分层子抽样至66,000实例）三个公开队列；预处理剔除IP、端口、时间戳等测试床标识特征，保留协议类等低基数类别并独热编码；采用Z-score标准化，SMOTE-ENN重采样仅拟合于各训练折内以防泄漏；划分80/20分层测试集与两次重复分层10折交叉验证（随机种子42）；基学习器为Bagging决策树、K近邻(KNN, k=7)与梯度提升(Gradient Boosting)，软投票集成设SoftVote-2/3/4；解释端以LIME生成局部线性代理、SHAP计算全局均值绝对归因，并做稳定性（Top-7 Jaccard）、保真度（R2与删除测试）、跨方法一致性（Jaccard与Kendall τ）及XAI引导前15特征重训的延迟/尺寸收益评估；统计上使用Friedman-Nemenyi、配对Wilcoxon与McNemar检验。
研究结果部分，5.1节给出准确率、精度、召回、F1与宏平均指标定义，并指出宏F1为主指标因能平等加权稀有攻击类。5.2节泄漏自由评估显示，划分前重采样使CICIoT2023上BaggingDT、DT、LightGBM准确率分别虚增9.09、8.09、7.40个百分点，宏F1虚增0.1518、0.1707、0.1367，配对Wilcoxon显著，故全流程重采样限定在训练折内。5.3节单学习器与集成性能中，CICIoT2023上LightGBM宏F1 0.8506，SoftVote-2（BagDT+LightGBM）达0.8563且良性质假阳性率9.53%（McNemar p=0.019）；TON_IoT上LightGBM宏F1 0.9411，SoftVote-2为0.9403（p=0.814不显著）；Edge-IIoTset上LightGBM宏F1 0.8482，SoftVote-2为0.8447（p=0.709不显著），说明集成优势具数据集依赖性。5.4节消融研究表明SoftVote-2在两数据集最优，增加kNN等成员反而损害CICIoT2023表现，证明成员互补性而非数量决定价值。5.5节计算成本显示SoftVote-2单样本延迟高于LightGBM且kNN常驻全量训练数据，边缘部署中单强学习器更优。5.6节可解释性评估中，LIME稳定性Top-7 Jaccard在CICIoT2023为0.53、TON_IoT 0.21、Edge-IIoTset 0.36，保真度删除测试显示遮掩LIME顶特征使预测概率下降4.8–7.0倍于随机遮掩；SHAP与LIME Top-k Jaccard仅0.11–0.43；取前15 SHAP特征重训保留98.4%–99.4%宏F1，TON_IoT推理延迟降38.0%、模型自147.7 MB降至40.3 MB；全局SHAP顶特征以流时序（IAT、Header_Length、包计数）为主，与攻击机制吻合；SoftVote-2的LIME-SHAP全局/局部重叠率高于单LightGBM。5.7节统计检验确认CICIoT2023上SoftVote-2微胜LightGBM而SoftVote-3/4显著更差，TON_IoT与Edge-IIoTset各配置间无部署级显著差异。
讨论与结论翻译部分，研究人员指出该研究并非主张集成优越，而是提供可判定三类结论的协议：预处理顺序错误会实质性夸大性能；软投票收益是有条件的，当现代梯度提升学习器已在成员中时增益大多消失；解释质量可被量化而非仅图示，分析员不应凭单次LIME输出下判断。核心结论为——集成复杂度价值随数据集变化，应与计算开销并列权衡；无泄漏协议下SoftVote-2仅在CICIoT2023带来统计显著但绝对的宏F1提升0.0057，在另两集与最强单学习器等价；XAI引导前15特征可在几乎无损宏F1下降本38%延迟与逾百MB模型尺寸；所提泄漏感知且可解释性赋能框架可用来判断IoT入侵检测中何时集成复杂度产生真正预测与实践收益。
