无人机生态系统中的人工智能驱动入侵检测与预测性威胁建模框架
《Internet of Things》:An AI-Driven Framework for Intrusion Detection and Predictive Threat Modeling in UAV Ecosystem
【字体:
大
中
小
】
时间:2026年09月20日
来源:Internet of Things 7.1
编辑推荐:
摘要
物联网 (IoT) 支持的无人驾驶飞行器 (UAV) 网络和自动驾驶车辆的激增增加了它们面临网络威胁的暴露度,凸显了对可解释入侵检测系统 (IDS) 的需求。在本文中,我们提出了一个框架,该框架结合了基于 Transformer 的模型、基于强化学习 (RL) 的决策阈
摘要
物联网 (IoT) 支持的无人驾驶飞行器 (UAV) 网络和自动驾驶车辆的激增增加了它们面临网络威胁的暴露度,凸显了对可解释入侵检测系统 (IDS) 的需求。在本文中,我们提出了一个框架,该框架结合了基于 Transformer 的模型、基于强化学习 (RL) 的决策阈值以及使用局部可解释模型无关解释 (LIME) 的可解释人工智能 (XAI)。该框架在 UAVIDS-2025 上进行测试,该数据集包括来自四个攻击类别(黑洞、虫洞、Sybil 和洪水攻击)和正常流量的 122,171 个流。我们采用无泄漏协议,仅对训练分区应用特征缩放和基于 SMOTE 的类别平衡,同时保留验证分区和测试分区。在二元入侵检测方面,该模型实现了 97.73% 的准确率、98.53% 的 F1 分数和 99.97% 的 ROC-AUC,假阳性率 (FPR) 为 0.10%,假阴性率 (FNR) 为 2.86%。具有共享 Transformer 主干的多分类器实现了 92.72% 的准确率和 92.87% 的宏 F1 分数。该架构拥有 399,745 个可训练参数,大小为 1.54 MB。消融研究和与五个机器学习基线的比较验证了设计选择。LIME 通过识别流持续时间、数据包/字节速率和丢包率统计等特征,证明其准确、可解释、可靠且适用于 UAV 使用。
引言
UAV 网络的快速发展导致了智能和自主系统的广泛采用,包括无人驾驶飞行器 (UAV)、自动驾驶车辆、智能家居和物联网 (IoT) 设备。虽然这些系统提高了自动化、效率和用户体验,但它们越来越依赖于无线通信并与其连接,这大大增加了攻击面。最近的研究表明,针对自主和信息物理系统的先进网络攻击有所增加,这对安全、隐私和操作稳定性构成了重大威胁 [1], [2]。
基于固定规则或签名匹配的传统入侵检测系统 (IDS) 无法承受 UAV 和自动驾驶车辆网络动态、多样的环境。为了克服这些局限性,主动的、预测性的网络安全变得流行,利用人工智能 (AI) 和机器学习 (ML) 等方法。基于 AI 的 IDS 系统在医疗 [3]、智能电网和电动汽车系统、云原生基础设施以及消费物联网系统 [4], [5], [6], [7] 等领域表现出了强大的性能。然而,现有的解决方案大多以分类为中心,缺乏适应性、预测能力和可解释性,而这些对于实际消费部署至关重要。自动驾驶车辆和 UAV 网络中的安全问题还因移动性、随时间变化的拓扑、资源限制和延迟限制而加剧。许多研究使用监督学习和深度学习模型,如随机森林、CNN、LSTM 和混合架构,以高准确性实现车辆和 UAV 的入侵检测 [2], [8], [9], [10]。基于 Transformer 的模型最近在建模网络流量中的长程时间依赖方面取得了令人鼓舞的结果 [11], [12]。尽管如此,很少有研究将检测与使用基于 RL 的方法的自适应决策边界融合,特别是在消费级和自主 UAV 系统的背景下。最近的基于 Transformer 的异常检测工作与此相关:[13] 提出了一种用于 UAV 异常检测的多尺度 Transformer 与对比学习;[14] 使用视觉 Transformer 结合大语言模型进行异常检测以改善 UAV 安全着陆;[15] 提出了一种基于视觉 Transformer 的联邦学习框架,用于 UAV 集群的跨模态入侵检测;[16] 介绍了一种用于 IoT 网络的无监督基于 Transformer 的异常检测器。虽然这些工作被认为是 UAV/IoT 异常检测活跃且富有成效的研究方向,但它们专注于不同的子问题:监督设置下的多尺度对比表示学习 [13] 和视觉 - 语言融合的着陆安全异常检测 [14],监督设置下的拜占庭鲁棒联邦集群安全 [15],以及无监督设置下的无监督通用 IoT 异常检测 [16],而不是本文关注的特定组合:将监督式流级别检测与 RL 自适应决策阈值以及事后、模型无关的可解释性集成到单一的可行流水线中。这就是本文试图填补差距的原因,而不是因为 UAV 安全在 Transformer 背景下尚未被探索。
当前 IDS 的另一个弱点是它们依赖于固定决策阈值,这降低了它们应对非平稳流量和变化攻击模式的有效性。自适应阈值(基于强化学习 (RL))已成为动态优化异常检测决策的流行方法 [17], [18]。同时,像 LIME 和 SHAP 这样的可解释 AI (XAI) 系统对于增强安全敏感消费实践中的透明度和信任变得越来越重要 [19], [20]。尽管有了这些发展,很少有研究将基于 Transformer 的检测、RL 驱动的适应性和可解释性结合到单一框架中用于消费级和自主系统。
本工作受三个具体局限性的启发。基于 Transformer 的 UAV/IoT 入侵检测器,如 [13], [14], [15], [16] 中最近调查的那些,通常将强大的编码器与静态检测规则(通常是固定的概率阈值)结合使用,这已被证明在典型的 UAV 集群非平稳和突发流量条件下表现不佳。其次,可解释 IDS 技术通常作为流水线末尾的额外事后步骤实施,不与检测步骤连接,并且从未测试过它们暴露的特征是否构成有价值的实际信息(第 3.1 节展示了此类特定故障模式,其中该框架早期版本产生的未过滤特征集被流标识符赋予了预测权重)。第三,很少有 UAV 特定研究报告来自混淆矩阵的完整错误概况参数(假阳性率和假阴性率)或与同一数据集的基线比较,这对于确定报告的准确性是否反映实际检测或评估泄漏很重要。提出的 Transformer-RL-LIME 框架为现有技术带来了几个优势:(i) 它将 Transformer 编码器与在保留验证流上动态调整的阈值耦合,而不是固定的阈值常量;(ii) 它将可解释性层限制在经审查的、因果合理的特征集上,并通过 LIME 对其进行验证,而不仅仅依靠注意力权重;(iii) 它报告了 FPR/FNR、阈值敏感性扫描、消融研究和同一数据集的经典 ML 基线,以便单独解释每个设计选择,而不是作为一个单一的选择。
受这些短板的启发,本文提出了一种面向消费类设备和自动驾驶车辆的 AI 启发的入侵检测和预测性威胁建模框架,并在 UAVIDS-2025 基准数据集 [21] 上进行评估。建议的框架使用具有 Transformer 架构的深度学习模型来预测时间流量行为,基于强化学习的自适应阈值代理来稳定模型,以及基于 LIME 的可解释方法来增强可解释性。扩展的伴随多分类器进一步将攻击类型分类为黑洞、虫洞、Sybil 或洪水攻击,从二元攻击检测转向攻击类别级别的预测性威胁建模。实验结果表明,该方法实现了高检测性能,低延迟和可行的资源需求,使其适合集成到消费电子产品和自主 UAV 设置中的实时应用中。
本文的主要发现可总结如下:
1. 面向消费类设备和自主 UAV 网络的入侵检测系统设计,扩展了多类别攻击类别分类器,将攻击分类为四种攻击类型之一(黑洞、虫洞、Sybil、洪水攻击),而不是二元正常/攻击类别。
2. 一种动态基于强化学习的机制,使用自适应阈值工具优化入侵决策边界。
3. 对 UAVIDS-2025 数据的全面评估,包括准确率、延迟、资源利用率和扩展测试,以及假阳性/假阴性率、阈值敏感性分析、与五个经典机器学习基线的同一数据集比较,以及组件级消融研究。
4. 与 LIME 集成的可解释人工智能,提高了安全相关消费应用的透明度和可信度,仅限于排除非预测性流标识符的因果合理特征集。
本文其余部分结构如下。第二部分是对相关工作的回顾。第三部分概述了 UAVIDS-2025 数据和预处理。第四部分介绍了提出的基于 AI 的框架和评估措施。第五部分处理结果、性能和可解释性。第六部分是最后一部分:影响、局限性和未来方向。
章节片段:相关工作
人工智能的最新发展在 UAV 网络、信息物理系统和自主平台的入侵检测和预测性网络安全方面发挥了重要作用。研究人员已经研究了医疗和企业软件中的预测性风险建模 AI,其中基于机器学习的模型已被证明在早期威胁检测方面更有效,并且在响应成本方面运营成本更低 [3], [4], [22]。同样,多尺度和混合 AI 系统已被
研究方法论
本节介绍了一种用于 UAV 和消费级信息物理网络的入侵检测和威胁预测框架,利用人工智能,如图 1 所示。该方法论结合了基于 Transformer 的深度学习、基于强化学习 (RL) 的自适应决策和可解释 AI (XAI),以实现准确、自适应和可解释的网络安全情报。
结果与分析
我们使用第 3 节中的无泄漏协议,在 UAVIDS-2025 数据集上评估了提出的基于 Transformer-RL 的 IDS 的有效性。为了衡量模型的有效性,我们报告了检测指标,包括准确率、精确率、召回率、F1 分数、ROC-AUC、FPR 和 FNR。还提供了资源指标,如模型大小、参数数量和推理时间,以指示实时 UAV 部署的可行性。
讨论
提出的具有 Transformer-RL 的 IDS 在 UAVIDS-2025 数据集上实现了无泄漏检测性能,二元准确率为 97.73%,F1 分数为 0.9853,ROC-AUC 为 99.97%(表 5),多类别攻击类别准确率为 92.72%(宏 F1 92.87%,表 7)。这表明数据预处理对于提高模型收敛和检测性能非常重要。需要注意的是,97.73% 这个数字是修正后的关键结果,并非回归,因为
结论
本文提供了一种基于 Transformer-RL 的混合入侵检测系统 (IDS),用于 UAV 网络,旨在提供具有竞争力的检测、实时推理和可解释性,以及用于攻击类别级别预测性威胁建模的伴随多分类器。该框架结合了 Transformer 编码器以高效提取特征,基于 RL 的自适应阈值以实现动态决策,以及可解释 AI (LIME) 模型以支持事后
未引用浮点图 算法 1,2,表 1。
未引用参考文献 [35], [36], [37], [38], [39], [40], [41]。
CRediT 作者贡献声明
Junaid:撰写——审阅与编辑,撰写——初稿,可视化,验证,资源,方法论,调查,形式分析,数据整理,概念化。Fahad Algarni:可视化,验证,方法论,资金获取,形式分析,数据整理。Muhammad Ijaz Khan:监督,资源,方法论,调查。Syed Tariq Shah:撰写——审阅与编辑,可视化,验证,监督,资金获取。Ala Saleh Alluhaidan:撰写——
利益冲突声明
作者声明他们没有任何已知的竞争性经济利益或个人关系可能会影响本报告中报道的工作。
Junaid|Fahad Algarni|Muhammad Ijaz Khan|Syed Tariq Shah|Ala Saleh Alluhaidan|Insaf Ullah
戈马尔计算研究所 (GRIC),戈马尔大学计算学院,巴基斯坦 Dera Ismail Khan
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号