《Journal of Electronic Science and Technology》:A novel AI-driven intrusion detection framework for cloud-IoT sensor networks
编辑推荐:
在快速演变的数字环境中,保障网络基础设施免受网络攻击至关重要。本文提出了一种基于人工智能的实时入侵检测系统(intrusion detection system, IDS),应用于无线传感器网络(wireless sensor network, WSN)、云计
在快速演变的数字环境中,保障网络基础设施免受网络攻击至关重要。本文提出了一种基于人工智能的实时入侵检测系统(intrusion detection system, IDS),应用于无线传感器网络(wireless sensor network, WSN)、云计算(cloud computing, CC)和物联网(Internet of things, IoT)环境。该框架采用经典机器学习(machine learning, ML)模型,包括决策树(decision tree, DT)、K近邻(K-nearest neighbors, KNN)和逻辑回归,并通过在网络安全实验室知识发现数据库(network security laboratory – knowledge discovery in databases, NSL_KDD)数据集上使用能量谷优化(energy valley optimization, EVO)算法进行优化。特征选择(feature selection, FS)将输入特征数量从42个减少至18个,且未降低检测性能。该系统实现了高准确率:决策树为98.95%,KNN为98.47%,逻辑回归为88.84%,同时具有较高的精确率、召回率和F1分数。此外,训练和测试时间显著缩短,支持实时部署。通过下采样解决类别不平衡问题,确保各攻击类型间的检测均衡。所提模型提供了一种可扩展、低延迟且准确的入侵检测解决方案,符合现代网络安全需求。
论文解读文章
一、研究背景与问题
随着云计算、无线传感器网络与物联网技术的深度融合,网络系统面临的安全威胁日趋复杂和智能化。传统的入侵检测系统(intrusion detection system, IDS)在应对大规模、高维度网络数据时往往存在较高的误报率,不仅造成资源利用效率低下,还可能遗漏真实威胁。现有入侵检测方法在处理高维数据时,冗余和无关特征会显著降低分类性能并增加计算开销。因此,如何在保证高检测精度的同时有效降低误报率、提升系统实时响应能力,成为网络安全领域亟待解决的关键问题。此外,网络攻击类型的分布通常存在严重不平衡,少数类攻击样本(如U2R、R2L)数量极少,容易导致模型偏向多数类,降低对罕见攻击的识别能力。针对上述挑战,研究人员提出了一种基于能量谷优化(energy valley optimization, EVO)算法的特征选择方法,结合经典机器学习分类器,构建面向WSN、CC和IoT环境的实时入侵检测框架,以期在特征降维、检测精度和计算效率之间取得最优平衡。
二、研究内容与总体结论
研究人员提出了一种新型的混合入侵检测框架,利用EVO算法对NSL-KDD数据集的42个原始特征进行优化选择,将特征数量缩减至18个,在不损失检测性能的前提下实现56.1%的维度压缩。随后采用决策树(decision tree, DT)、K近邻(K-nearest neighbors, KNN)和逻辑回归(logistic regression, LogReg)三种经典机器学习分类器对优化后的数据进行分类检测。此外,针对数据集中存在的类别不平衡问题,采用下采样策略对多数类DoS攻击样本进行平衡处理,确保模型对所有攻击类型均有公平的检测能力。研究人员使用NSL-KDD数据集的训练子集(KDDTrain+,包含125,973条记录)和测试子集(KDDTest+,包含22,543条记录)进行实验评估,并采用5折交叉验证验证模型稳定性。实验结果表明,DT+EVO模型取得了98.95%的分类准确率,KNN+EVO达到98.47%,LogReg+EVO为88.84%,同时各模型的精确率、召回率和F1分数均表现良好。该框架在显著降低训练和测试时间的同时保持了高检测性能,验证了EVO特征选择方法在入侵检测领域的有效性和实用性,为WSN、IoT和CC环境的实时安全防护提供了一种可扩展、低延迟的解决方案。
三、关键技术与方法
本研究采用了以下核心技术方法:(1)EVO特征选择算法:模拟不稳定粒子通过α、β、γ衰变过程趋向稳定状态的物理机制,通过动态调整搜索策略实现全局寻优,从NSL-KDD数据集中筛选出18个最具判别力的特征;(2)NSL-KDD数据集:作为基准评估数据集,包含42个特征和23种攻击类型,分为四大类——拒绝服务(denial of service, DoS)、探测(probe)、用户到根(user to root, U2R)和远程到本地(remote to local, R2L);(3)下采样平衡策略:将多数类DoS样本量降至与各少数类相匹配,构建均衡训练集;(4)三种经典机器学习分类器:决策树、K近邻和逻辑回归,用于对特征选择后的数据进行入侵检测分类;(5)5折交叉验证:用于评估模型的泛化能力和统计稳定性。实验平台采用Google Colab Pro(Intel Core i5-1135G7处理器,12 GB RAM),使用scikit-learn 1.6.1、NumPy 2.0.2和SHAP 0.48.0库。
四、研究结果
(一)特征选择前各模型性能
在未进行特征优化(使用全部42个特征)的条件下,DT模型表现最佳,准确率达98.95%,训练时间仅0.03367秒,测试时间为0.00581秒,兼具高精度和高效计算能力。KNN模型准确率为98.47%,但测试时间长达0.0168秒(采用原始全部特征时),在实时检测场景中存在延迟问题。LogReg模型准确率仅为88.84%,预测性能较其他模型明显偏低,难以满足高安全场景需求。
(二)EVO特征选择后的模型性能
经EVO算法将特征缩减至18个后,DT模型准确率维持在98.96%,KNN准确率为98.47%,LogReg准确率为88.84%。特征降维显著提升了KNN的测试效率,同时LogReg的泛化能力也有所改善。EVO将特征维度降低56.1%,在保证分类精度不受影响的前提下大幅削减了计算开销,验证了特征选择在入侵检测中的关键作用。
(三)5折交叉验证统计验证
为验证模型的鲁棒性和泛化能力,研究人员采用5折交叉验证。DT+EVO模型的平均准确率为98.95%±0.12%,KNN+EVO为98.47%±0.15%,LogReg+EVO为88.84%±0.30%。各模型的标准差均较低,表明EVO特征选择框架在不同数据划分下具有高度稳定性和可靠性。
(四)与现有元启发式方法的比较
与现有元启发式优化方法相比,EVO方法取得了优于或相当于对比方法的检测性能。所提DT+EVO方法准确率达98.95%,高于改进变色龙群算法(improved chameleon swarm algorithm, ICSA)的97.91%和混合CNN-BLSTM深度模型的95.40%;KNN+EVO达到98.47%,也显著优于基于检测率的多目标进化特征选择方法(detection rate-emphasized multi-objective evolutionary FS, DR-MOFS)的86.86%。这表明精心优化的经典机器学习分类器能够超越更复杂的深层架构。
(五)特征降维性能对比分析
在特征缩减方面,EVO将特征从42个降至18个,缩减率为56.1%,与过滤+NSGA-II方法(13个特征)、DR-MOFS(17个特征)、CFS+XGBoost(25个特征)和DL+FS(12个特征)等方法相比具有竞争力。EVO在保持较高降维比例的同时,未损害分类模型的鲁棒性,展示了其在特征选择任务中的优越性和适应性。
五、讨论与结论
讨论部分指出,EVO算法在NSL-KDD数据集中有效识别了最具信息量的特征,在去除冗余信息的同时保持了分类质量。DT在特征选择前后均保持最高准确率,表明树模型天然适合处理结构化表格数据。KNN因基于距离的计算机制,其特征降维后的检测效率提升显著,更加适用于时间敏感型检测系统。LogReg的改进幅度最大,凸显了线性模型对冗余特征的敏感性,进而证明特征子集优化对简单分类器的应用尤为关键。与NSGA-II等传统多目标优化方法相比,EVO采用动态谷底搜索机制自适应调节勘探-开发平衡,具有控制参数少、收敛速度快、搜索稳定性高等优势。研究结论证实,EVO作为特征选择优化工具,能够有效提升DT、KNN和LogReg等机器学习分类器的性能,增强模型稳健性与泛化能力,为WSN和CC环境下的网络安全防护提供了高效且可扩展的解决方案,为实时入侵检测系统的部署奠定了坚实基础。