《Scientific Reports》：X-THREAT framework for adaptive and explainable deep learning-based minority-class and zero-day cyber threat detection
编辑推荐：
以下是论文摘要的专业翻译：
网络威胁的动态特性——尤其是少数类（minority-class）和零日（zero-day）攻击——给现有的入侵检测系统（Intrusion Detection Systems, IDS）带来了重大挑战，这些系统往往缺乏适应性、可解
以下是论文摘要的专业翻译：
网络威胁的动态特性——尤其是少数类（minority-class）和零日（zero-day）攻击——给现有的入侵检测系统（Intrusion Detection Systems, IDS）带来了重大挑战，这些系统往往缺乏适应性、可解释性和鲁棒性。本文提出了X-THREAT，一个自适应且可解释的深度学习框架，旨在提升对罕见及前所未见网络威胁的检测能力。与先前将检测、增强和可解释性分开处理的方法不同，X-THREAT在一个统一流水线（unified pipeline）中整合了这些组件。一个混合变分自编码器-生成对抗网络（VAE–GAN）模块在训练期间增强少数类表示，而一个卷积神经网络-双向长短期记忆网络-注意力（CNN–BiLSTM–attention）模型执行威胁检测，同时一个上下文感知的SHAP机制为模型决策提供可解释的洞察。在三个基准数据集——CICIDS2017、UNSW-NB15和ToN-IoT——上的实验结果表明，X-THREAT持续优于代表性的深度学习基线模型。该模型在CICIDS2017上实现了96.3%的准确率和95.5%的F1分数，在UNSW-NB15上实现了94.1%的准确率和92.5%的F1分数，在ToN-IoT上实现了93.2%的准确率和91.5%的F1分数，同时提升了少数类召回率并降低了假阳性率。0.97、0.95和0.94的AUC-ROC值进一步证明了其强大的判别能力。零日检测能力通过留一攻击类（leave-one-attack-class-out）协议进行评估，可解释性则通过保真度分析以及与静态SHAP和LIME方法的比较来评估。结果表明在独立评估的数据集上性能表现一致，显示出泛化的潜力。从部署角度来看，计算密集型组件仅限于离线训练，而推理则依赖于检测模型并带有可选的解释功能。然而，延迟、资源使用和边缘部署可行性并未被明确基准测试，这些仍是未来工作的重要方向。总体而言，X-THREAT为现代入侵检测提供了一个鲁棒且可解释的框架，在少数类和零日威胁场景下具有更优的性能。
以下是根据论文主体内容撰写的解读文章：
一、研究背景与问题提出
随着云计算、物联网（Internet of Things, IoT）系统和数字基础设施的快速发展，现代网络的攻击面显著扩大，入侵检测系统（Intrusion Detection Systems, IDS）成为识别恶意活动的关键工具。然而，传统的基于签名和规则的IDS在面对不匹配已知模式的隐蔽攻击和零日攻击时仍然无效。基于深度学习（Deep Learning, DL）的IDS虽已提升了对复杂非线性流量模式的检测能力，但仍面临关键局限，包括可解释性有限、对不断演变的威胁适应性差，以及对不平衡数据分布的敏感性。这些问题导致系统往往表现出较高的假阳性率，并在检测少数类和前所未见的攻击模式时效果降低。
现有研究虽已引入可解释人工智能（Explainable AI, XAI）技术如SHAP和LIME以增强透明度，但这些技术通常以静态、事后（post-hoc）的形式应用，未能捕捉网络攻击行为中的时间依赖性或上下文变化，尤其是在零日评估设置下。此外，大多数IDS框架未能充分解决少数类不平衡问题，导致对罕见但关键攻击的敏感性降低，并且在遇到前所未见的威胁模式时鲁棒性受限。缺乏集成的生成机制也进一步限制了对已知攻击行为多样变体的暴露，制约了泛化能力。
针对上述问题，研究人员提出了X-THREAT框架，一个统一的自适应可解释深度学习框架，将时间检测、生成增强和上下文感知可解释性集成于单一学习流水线中，以解决适应性、可解释性和鲁棒性方面的不足。
二、研究内容与主要结论
X-THREAT框架由六个阶段组成：输入、预处理与输入表示、混合注意力威胁检测模块、生成威胁模拟模块、上下文感知SHAP可解释性模块以及输出模块。其核心创新在于三个主要模块的统一集成：基于CNN–BiLSTM架构并带有时间注意力机制的适应性威胁检测（RQ1）；基于VAE–GAN的生成模块，通过语义编码和启发式验证实现少数类和零日威胁模拟（RQ2）；以及带有动态属性重新加权的上下文感知SHAP可解释性模块（RQ3）。
研究在三个基准数据集——CICIDS2017、UNSW-NB15和ToN-IoT上进行了全面评估。结果表明，X-THREAT在CICIDS2017上达到96.3%的准确率和95.5%的F1分数，在UNSW-NB15上达到94.1%的准确率和92.5%的F1分数，在ToN-IoT上达到93.2%的准确率和91.5%的F1分数，同时改善了少数类召回率并降低了假阳性率。AUC-ROC值分别为0.97、0.95和0.94，显示出强大的判别能力。零日检测能力通过留一攻击类（leave-one-attack-class-out）协议评估，可解释性通过保真度分析和与静态SHAP及LIME方法的比较进行验证。该研究的意义在于提供了一个鲁棒且可解释的现代入侵检测框架，在少数类和零日威胁场景下具有更优的性能，且计算密集型组件仅限于离线训练，推理阶段仅依赖检测模型和可选的解释功能。
三、关键技术与方法
研究人员采用了以下主要关键技术方法：其一，混合注意力检测模块，采用CNN–BiLSTM架构，CNN提取局部空间特征，BiLSTM捕获双向时间依赖，加性注意力机制动态加权时间步以优先关注异常或演化模式。其二，生成威胁模拟模块，采用混合VAE–GAN设计，VAE学习攻击行为的结构化潜在表示，GAN通过Wasserstein生成对抗网络-梯度惩罚（Wasserstein GAN with Gradient Penalty, WGAN-GP）对抗训练精炼合成样本，并通过K-Means潜在聚类和启发式特征评分函数进行标签分配与验证。其三，上下文感知SHAP可解释性模块，基于SHAP特征归因，通过基于流量行为和模型置信度的上下文重新加权，提供与操作条件一致的可解释决策支持。研究使用了CICIDS2017、UNSW-NB15和ToN-IoT三个公开基准数据集进行实验评估。
四、研究结果
混合注意力威胁检测模块（RQ1）：通过CNN块提取网络流量窗口的局部位置不变特征，BiLSTM块捕获双向时间依赖，时间注意力机制动态加权信息时间步，分类器层将编码特征映射到具体威胁类别。研究通过五步负载升级的慢速拒绝服务（Denial-of-Service, DoS）攻击示例说明，注意力机制能有效为时间3-5分配更高权重，捕获异常行为转变。
生成威胁模拟模块（RQ2）：VAE将高维网络流量编码为结构化连续潜在空间，保留语义攻击行为；GAN精炼潜在表示生成逼真合成样本。通过WGAN-GP对抗训练确保生成样本的保真度。在CICIDS2017中，少数类攻击如Infiltration占比低于0.2%，VAE–GAN模块通过生成标记合成样本显著提升召回率。合成样本经过K-Means潜在聚类标签分配和启发式验证双重阶段，确保仅高质量、语义有效的样本进入训练。数据融合采用并集加分层采样策略，控制合成与真实样本比例，如Heartbleed为100:11、Infiltration为180:36、WebAttack–BruteForce为240:120。
上下文感知SHAP可解释性模块（RQ3）：基于SHAP的特征归因方法，通过上下文感知重新加权机制，结合协议、时序、流量模式等上下文信息，生成一致且操作有意义的解释，无需在多种XAI方法间切换。
统一评估框架（RQ1–RQ3）：在三个数据集上评估准确率、少数类召回率、假阳性率和解释保真度。结果显示X-THREAT持续优于代表性深度学习基线，少数类攻击F1提升30%，分析师信任度达84%。
五、讨论与结论
讨论部分指出，现有混合IDS方法大多将检测、生成增强和可解释性作为独立模块开发，训练或推理期间交互有限。X-THREAT通过将三个核心模块紧密集成于单一流水线，实现了统一设计。合成样本直接增强训练期间模型学习，解释则源自与模型内部表示对齐的上下文敏感特征归因。这种紧密耦合使模型能够从罕见少数类威胁中学习，通过时间注意力适应演化攻击模式，并提供可解释、与分析人员对齐的决策。
研究结论指出，X-THREAT提供了一个鲁棒且可解释的现代入侵检测框架，在少数类和零日威胁场景下性能更优。然而，延迟、资源使用和边缘部署可行性未被明确基准测试，这些仍是未来研究的重要方向。
