基于残差神经网络-人工蜂群-Chatterjee相关性的物联网网络入侵检测新方法

《IEEE Transactions on Mobile Computing》：Novel Approach for Intrusion Detection in IoT Networks Based on ResNet-ABC-Chatterjee Algorithm

　　

物联网（Internet of Things，IoT）网络中的入侵检测存在诸多困难，需要巧妙利用网络设备属性以实现精准威胁识别。研究人员提出一种多阶段入侵检测方法：利用Chatterjee相关性的非线性关系识别能力，采用人工蜂群（Artificial Bee Colony，ABC）算法优化特征选择过程，并设计专用残差神经网络（Residual Neural Network，ResNet）以最小计算成本从数据中检测复杂关系。该设计包含三类以区分方式设计的残差块，使模型可捕获高层与低层特征；每一层通过增加滤波器数量增强特征提取，卷积层控制整体学习过程。为便于ResNet输入，研究人员给出将一维（1D）特征转换为二维（2D）图像的方法。实验结果表明，所提方法在IoT网络入侵识别中表现优异，准确率达98.5711%。ABC优化、ResNet与Chatterjee相关性的结合形成了鲁棒且高效的入侵检测系统，有望提升IoT环境的网络安全。

研究背景方面，物联网（Internet of Things，IoT）设备在智能城市、医疗等场景广泛部署，预计到2030年达500亿台；但无线网络中设备常处于无监督环境，带来钓鱼、恶意软件、分布式拒绝服务（Distributed Denial-of-Service，DDoS）等安全威胁。传统入侵检测系统（Intrusion Detection System，IDS）难以应对IoT设备低功耗、低算力、高实时性与海量数据场景，且现有方法常忽略特征间非线性依赖，因此研究人员开展基于Chatterjee相关性、人工蜂群（Artificial Bee Colony，ABC）与残差神经网络（Residual Neural Network，ResNet）的IoT入侵检测研究。该研究发表于《IEEE Transactions on Mobile Computing》，结论是：所提ResNet-ABC-Chatterjee框架在NSL-KDD上达到98.5711%准确率，为资源受限IoT环境提供了兼顾检测效率、计算成本与非线性建模能力的IDS方案。

关键技术方法上，研究人员使用NSL-KDD数据集，经最小-最大缩放（Min-Max Scaling）、K近邻（K-Nearest Neighbors，KNN）缺失值填补与留出法划分后，以Chatterjee相关系数度量特征与目标及特征间非线性关系，将ABC作为二元特征子集搜索器并以归一化Chatterjee代价函数指导优化，再把选定一维特征重排为主对角线与副对角线结构的二维矩阵，输入含三阶段残差块（滤波器16/32/64）的定制ResNet做二分类。

研究结果如下。

数据集（Dataset）：研究人员采用NSL-KDD，含41个流特征与正常/攻击标签（DoS、Probe、R2L、U2R）；经清洗与30%测试集划分，为后续特征选择提供基准数据。

预处理阶段（Preprocessing Stages）：通过式(1) X_normalized=(X-X_min)/(X_max-X_min)做最小-最大缩放，用k=4的KNN按欧氏距离填补缺失，再以留出法分训练/测试集，提升数据质量与评估客观性。

Chatterjee相关系数（Chatterjee Correlation Coefficient）：由式(3) ξ_n(X,Y)=1-3∑^n-1_i=1|r_i+1-r_i|/(n²-1)及含重复值的式(4)计算，研究人员用它捕捉特征与标签间非线性关联，弥补Pearson只能测线性的不足。

人工蜂群优化算法（Artificial Bee Colony Optimization Algorithm）：含初始化、雇佣蜂、观察蜂、侦察蜂四阶段，式(5) x_i,j=x_j^min+μ(x_j^max-x_j^min)、式(6) v_i,j=ψx_i,j+φ(x_i,j-x_r,j)、式(7)适应度与式(8)轮盘赌概率p_i=fit_i/∑^N_J=1fit_j驱动搜索；研究人员以其全局寻优能力搜索特征子集。

残差神经网络（Residual Neural Network）：以式(9) R(x)=H(x)-x、式(10) F(x)=H(x)-x说明跳跃连接学残差，缓解梯度消失与退化问题，为定制ResNet提供理论底座。

所提方法（Proposed Method）：研究人员建相关矩阵CM，对角为1/|ξ_m(F_i,TA)|、非对角为|ξ_m(F_i,F_j|，式(13) Cost=∑ⁿ_i=1∑ⁿ_j=1CM_i,j/n²作ABC归一化代价；式(14) J(S)=α[1-(1/|S|)∑ξ(f_i,y)]+(1-α)[2/(|S|(|S|-1))∑ξ(f_i,f_j)]+λ(|S|/d)平衡相关、冗余与子集大小。一维转二维用主/副对角线重排，不造新特征；ResNet含4、3、2个残差块，滤波器16、32、64，做正常/攻击二分类。

讨论部分总结：研究人员指出，该框架不是简单拼接技术，而是Chatterjee相关性量化非线性、ABC压冗余、一维转二维适配卷积残差学习、ResNet做分类的协同流水线；相比仅用线性相关性或普通机器学习，能更好处理IoT流特征的非线性与高维问题，且在NSL-KDD的实验中显示精度与计算成本间的平衡具备实际部署价值。

研究结论部分翻译：研究人员提出一种基于机器学习与特征选择的IoT网络入侵检测新方案，通过引入Chatterjee相关系数并嵌入人工蜂群（ABC）优化，弥补了现有方法对非线性特征关系建模的不足；结合一维转二维表示与定制残差神经网络（ResNet），在NSL-KDD数据集上取得98.5711%准确率。该ResNet-ABC-Chatterjee框架以特征选择降低分类器负担、以残差结构捕获复杂网络流量模式，为受限IoT/IIoT环境提供了兼具检测效率、低计算开销与鲁棒性的入侵检测思路，对提升物联网网络安全具有明确意义。