摘要
物联网（IoT）设备的快速发展带来了更高水平的互联与自动化，同时也使网络更容易受到更高级的网络攻击。现有的入侵检测系统存在诸多根本性局限，例如网络流量数据中的极端类别不平衡、特征交互建模不足、无法针对动态攻击模式进行训练、对全标注数据的严重依赖、评估能力薄弱以及可解释性有限。为解决这些问题，本研究采用基于自编码器的数据均衡机制，通过学习少数攻击类别的有意义潜在表示来减轻类别不平衡问题。随后提出了一种并行混合单步BiLSTM-FCNN（PH-BiLSTM-FCNN）模型，该模型作为一个单一网络，通过并行学习路径同时学习上下文依赖关系和非线性判别特征。为进一步增强适应性与收敛稳定性，引入了Q学习优化的PH-BiLSTM-FCNN（Q-PH-BiLSTM-FCNN），使其能够基于反馈驱动的交互动态优化训练行为。此外，开发了基于熵的主动学习方法（EAL-PH-BiLSTM-FCNN），通过有选择地查询最具信息量的样本来显著减少标注需求。同时，在所有提出的模型中一致嵌入带有智能合约的区块链层，以确保防篡改日志记录、透明验证以及训练与评估结果的可靠记录。从算法设计角度来看，所提出的框架被构建为一系列可验证的程序，涵盖PH-BiLSTM-FCNN的训练、Q学习优化以及基于熵的主动样本选择。其算法行为与鲁棒性通过执行时间分析、10折交叉验证和排列特征重要性进行评测，确保了预测可靠性与可解释性。实验结果表明，所提出的PH-BiLSTM-FCNN、Q-PH-BiLSTM-FCNN和EAL-PH-BiLSTM-FCNN模型始终优于现有的FCNN、Bi-LSTM、GRU、LSTM和LR模型，在准确率、召回率和精确率-召回率曲线下面积上分别取得了4.80%、13.52%和6.85%、4.81%、13.53%和6.86%以及5.18%、18.44%和8.52%的提升。这些结果证实，所提出的框架在提升检测性能、统计可靠性与可解释性的同时，也解决了物联网安全环境中的实际部署局限。
