面向自适应与实时工业物联网入侵检测:基于GAN数据增强、漂移感知学习与边缘智能的综述研究

《AI》:Toward Adaptive and Real-Time IIoT Intrusion Detection: A Survey of GAN-Based Augmentation, Drift-Aware Learning, and Edge Intelligence

【字体: 大 中 小 】 时间:2026年09月22日 来源:AI 6.5

编辑推荐:

  复杂网络威胁的快速演变,因工业设备、传感器、可编程逻辑控制器(PLC)、网关及边缘计算基础设施的大规模互联,已急剧增加了工业物联网(IIoT)环境中的网络安全风险。由于动态攻击行为、类别不平衡、概念漂移以及资源受限边缘设备的计算限制等挑战,传统入侵检测系统已难

  
复杂网络威胁的快速演变,因工业设备、传感器、可编程逻辑控制器(PLC)、网关及边缘计算基础设施的大规模互联,已急剧增加了工业物联网(IIoT)环境中的网络安全风险。由于动态攻击行为、类别不平衡、概念漂移以及资源受限边缘设备的计算限制等挑战,传统入侵检测系统已难以满足现代IIoT网络的需求。尽管机器学习和深度学习已显著提升了入侵检测性能,但现有研究通常孤立地处理上述挑战,未能提供自适应与实时工业物联网网络安全的整体视角。本综述对自适应入侵检测技术进行了结构化叙事性回顾,聚焦于三个新兴研究方向,包括基于生成对抗网络(GAN)的数据增强、漂移感知学习以及边缘智能(Edge Intelligence)。本综述对机器学习、深度学习及混合入侵检测系统(IDS)模型、基准IIoT数据集,以及应对数据不平衡、概念漂移和低延迟边缘部署的代表性技术进行了结构化叙事性梳理。本综述进一步从检测能力、适应性、计算效率、可扩展性及部署适用性等方面,对现有方法进行了比较研究。为弥合上述互补研究方向之间的鸿沟,本综述将相关文献整合为一个统一的参考架构,该架构融合了基于GAN的数据增强、漂移感知学习与边缘智能,以实现自适应、实时的IIoT入侵检测。最后,本综述讨论了自主、协作及可信IIoT网络安全领域的关键研究挑战与未来机遇,从而为下一代智能入侵检测系统的发展提供了实践路线图。

论文主体内容总结

1. 引言

论文指出,工业自动化范式转变使工业物联网(IIoT)显著改变了现代工业基础设施,实现了跨互联工业设备的智能自动化、实时监控、预测性维护和去中心化决策。IIoT的实施涉及传感器、执行器、网关、边缘计算和云计算技术,使其在制造、医疗、交通、能源和智能电网等多个领域不可或缺。然而,IIoT环境不断扩展的连通性和多样性不可避免地扩大了网络攻击面,使工业网络易受高级持续性威胁(APT)、勒索软件和僵尸网络等日益增多的威胁影响。与OT网络不同,IIoT系统运行在高度动态且资源受限的环境中,安全漏洞不仅导致数据丢失,还可能造成运营中断、设备损坏、经济损失乃至严重的安全后果。针对IIoT系统最常见的网络攻击类型包括分布式拒绝服务(DDoS)攻击、勒索软件、僵尸网络攻击、中间人(MITM)攻击、恶意软件注入和数据操纵攻击。传统基于签名的入侵检测系统(IDS)已无法有效防御现代多态和零日攻击。为此,研究人员近年来将机器学习(ML)和深度学习(DL)算法应用于IIoT系统入侵检测任务。基于机器学习的IDS系统可基于网络流量数据自动分析攻击模式,并以比基于规则的系统更高的灵活性检测异常行为。支持向量机(SVM)、随机森林(RF)、极限梯度提升(XGBoost)和LightGBM等传统ML和DL算法在结构化IIoT流量数据上表现出优异效果;同时,卷积神经网络(CNN)、长短期记忆网络(LSTM)、双向LSTM(BiLSTM)、门控循环单元(GRU)以及CNN-GRU等混合模型在捕获IIoT流量的空间和时间模式方面被证明有效。尽管取得了上述进展,若干根本性挑战仍制约着现有IIoT入侵检测系统的有效性。最关键的挑战之一是类别不平衡,即少数攻击类别与正常流量或高流量攻击相比代表性严重不足,这种不平衡往往使学习模型偏向主导类别,降低了对罕见但关键攻击的检测性能。为缓解该问题,研究人员探索了多种过采样和数据增强技术,包括随机过采样、SMOTE、ADASYN,以及最近被证明能够生成逼真合成攻击样本的GAN。论文进一步阐述了问题陈述与IIoT挑战:现有大多数综述聚焦于模型架构或通用IDS分类体系,但IIoT环境中的流量高度不平衡、多数入侵检测模型假设静态学习无法解决漂移问题、先进神经网络模型通常消耗大量计算资源等问题尚未得到统一解决。论文提出了本综述的主要贡献,包括:提出全面的IIoT智能入侵检测技术分类体系;提供现有IIoT入侵检测方法、基准数据集和自适应学习策略的综合比较分析;提出结合GAN数据增强、漂移感知学习和边缘智能的统一参考架构;以及基于识别的研究空白提出自主IIoT网络安全的未来研究议程。论文还说明了文献检索与筛选方法,检索时间覆盖2024年9月至2026年4月,使用ScienceDirect、Scopus、IEEE Xplore、MDPI和Google Scholar等主要科学数据库,主要检索词为"实时IIoT入侵检测"。

2. 相关工作

论文回顾了已有综述工作,指出以往综述主要涵盖基于ML和DL的入侵检测、IoT和IIoT安全架构、边缘计算、联邦学习、可解释人工智能、工业5.0应用及基于区块链的网络安全等主题,但大多聚焦于检测精度,对自适应学习、实时实现和自主网络防护关注不足。在类别不平衡处理与GAN增强综述方面,论文梳理了GAN的演进历程:Goodfellow等人提出的原始GAN建立了对抗极小极大框架,但存在训练不稳定和模式崩溃问题;深度卷积GAN(DCGAN)引入卷积架构改进了复杂数据表示的学习;条件GAN(CGAN)将类别标签作为辅助信息以更好地生成少数攻击类别;Wasserstein GAN(WGAN)使用Wasserstein距离替代散度度量,WGAN-GP通过梯度正则化克服权重裁剪的缺陷;辅助分类器GAN(ACGAN)使判别器同时进行真假验证和多类别攻击分类。更近期的创新包括CycleGAN(支持无配对数据的跨域转换)和CTGAN(针对表格数据采用特定编码和条件采样技术)。在漂移感知学习与自适应安全方面,论文指出GAN能解决数据不平衡但无法应对IIoT网络流量和网络威胁随时间的持续变化。概念漂移导致模型预测能力下降、误报增加和精度降低。当前研究正从静态离线训练转向漂移感知学习范式,以实现数据流的持续监控和增量模型更新。研究人员已提出多种自适应学习策略,包括漂移检测、在线增量学习、持续学习和自适应集成学习,每种策略在适应速度、计算开销和内存需求之间存在不同权衡。在边缘智能实时IIoT入侵检测方面,论文指出边缘智能(EI)通过将人工智能直接集成到边缘计算基础设施中,实现IIoT环境中自适应、低延迟和隐私保护的入侵检测。与传统云中心入侵检测系统相比,EI支持在工业设备附近的本地化数据处理和实时威胁检测,从而改善运营可靠性和网络韧性。轻量级深度学习模型、智能任务卸载和分布式机器学习框架可有效平衡检测精度与资源受限工业边缘设备的计算和能量约束。联邦学习与边缘智能的结合进一步改善了隐私保护和可扩展性。

3. IIoT威胁态势与自适应入侵检测基准数据集

论文指出,IIoT通过异构传感器、执行器、PLC、远程终端单元(RTU)、SCADA系统、工业网关、边缘设备和云平台通过各种工业通信协议的互联,极大地增加了网络攻击面。基于攻击目标、操作特征和针对的系统组件,IIoT网络威胁可分为七大类:基于网络的攻击(包括DDoS、欺骗、扫描、僵尸网络和侦察);通信与工业协议攻击(利用MQTT、CoAP、OPC UA、Modbus TCP和DNP3等协议漏洞,通过MITM、虚假数据注入、重放和协议模糊测试等技术);认证与访问攻击(包括暴力破解、凭据填充、密码喷洒、权限提升和内部威胁);恶意软件与高级持续性威胁(包括蠕虫、木马、勒索软件、无文件恶意软件和APT);Web、云和边缘攻击(包括SQL注入、跨站脚本(XSS)、跨站请求伪造(CSRF)、API滥用和远程代码执行);AI驱动与智能网络攻击(利用AI和ML技术自动化漏洞发现、生成自适应恶意软件、实施对抗性机器学习、投毒学习过程和规避检测模型);以及自适应IIoT入侵检测的新兴挑战(包括零日漏洞利用、供应链破坏和固件攻击)。在基准数据集方面,论文重点介绍了Edge-IIoTset(提供全面的边缘使能工业环境,包含多种IIoT设备、真实工业通信以及DDoS、SQL注入、XSS、勒索软件、密码攻击、MITM和漏洞扫描等攻击)、TON_IoT(将主机遥测、IoT传感器、云服务和网络流量相结合以支持多模态入侵检测)、X-IIoTID(支持异构IIoT部署和现代攻击场景)等数据集。BoT-IoT主要针对僵尸网络攻击和大规模IoT流量,但其严重的类别不平衡通常需要合成数据生成或过采样算法。企业级数据集如UNSW-NB15和CICIDS系列仍是重要的基线基准,但缺乏真实IIoT环境特有的工业通信协议、确定性流量控制和操作约束。现有基准数据集仍存在重要局限:多数数据集高度不平衡、零日攻击和概念漂移表征有限、在无法反映持续演变的工业运营的静态实验室环境中创建、保密限制阻碍真实工业流量发布。

4. IIoT入侵检测的机器学习和深度学习范式

论文指出,在IIoT环境中,ML和DL是入侵检测的主导范式,因为它们能自动从大规模网络流量中学习复杂攻击模式。典型的IIoT入侵检测系统包含流量采集、预处理、特征工程、模型训练、入侵分类和性能评估等环节。根据标注数据可用性和学习目标,现有方法一般分为监督学习、无监督学习、集成学习和深度学习架构。经典机器学习因其相对较低的计算复杂度、可解释性和适合实时工业监控而被广泛使用。监督算法如决策树、RF、SVM、k近邻、逻辑回归以及XGBoost、LightGBM和CatBoost等梯度提升方法在标注数据充足时通常表现最佳。相比之下,K-Means、DBSCAN、孤立森林、一类SVM和局部离群因子等无监督学习方法无需标注数据集即可识别异常行为,因此在检测零日攻击方面具有更大潜力。集成学习通过组合多个分类器降低过拟合并改善泛化能力,但通常增加计算复杂度和内存需求。深度学习方面,深度神经网络(DNN)擅长非线性特征表示;CNN能有效学习流量特征的空间相关性;RNN、LSTM和GRU等循环架构能捕获序列通信行为和长期时间依赖,对检测隐蔽和多阶段攻击至关重要;自编码器(AE)和变分自编码器(VAE)用于无监督表示学习和异常检测;图神经网络(GNN)和基于Transformer的模型能捕获分布式IIoT网络中的通信拓扑和长程特征依赖。混合架构结合CNN、循环网络、注意力机制和自编码器,通过互补特征学习能力持续取得最优性能,但代价是计算复杂度和部署开销增加。论文指出,CNN-GRU混合模型在检测性能、能耗和计算成本之间取得了更好的平衡,更适合实时边缘部署。尽管ML和DL方法取得了显著成果,但经典ML和现代DL方法在实际IIoT应用中仍存在若干不足:多数仅适用于静态输入数据分布、需要大量代表性训练数据、在类别不平衡情况下表现不佳、不适用于解决概念漂移和适应持续变化的攻击向量、基于DNN的IDS通常需要大量内存和计算资源且训练时间长、操作透明度低。

5. 建议的自适应实时IIoT入侵检测架构

论文指出,没有任何单一技术能独立应对IIoT环境的多样化网络安全挑战。GAN可有效缓解数据不平衡但未考虑部署后持续演变的攻击行为;漂移感知学习使IDS适应演变流量分布和新出现的攻击模式但仍依赖充足的代表性训练数据和高效部署机制;边缘智能可大幅降低推理延迟但基于边缘的IDS通常面临严格的计算、内存和能量约束。因此,三者集成提供了互补性解决方案。论文提出的参考架构通过九个连续阶段运行:第一阶段为IIoT数据采集与流量收集,从异构IIoT生态系统中收集网络流量和运营数据,包括工业传感器、PLC、SCADA系统、边缘网关、HMI和IoT工业设备,同时可收集系统日志、设备遥测以及MQTT、Modbus TCP、OPC UA、CoAP和DNP3等工业协议数据。第二阶段为数据预处理与特征工程,包括数据清洗、缺失值处理、重复消除、归一化、分类变量编码和特征提取,可应用特征选择或降维技术去除冗余特征。第三阶段为基于GAN的数据增强,对训练数据中已有的少数攻击类别应用GAN增强,生成器学习观测到的低频攻击样本的底层分布,判别器引导生成与相应少数类别特征相似的合成样本。论文特别强调,基于GAN的增强不应被解释为生成真正未见过的零日攻击,因为生成器是基于训练数据中可用的分布训练的,其对零日韧性的贡献是间接的。为避免数据泄漏,应在原始数据集划分为训练、验证和测试集后,仅在训练分区内执行GAN训练和合成样本生成,验证和测试数据保持未增强状态。第四阶段为离线模型训练与验证,使用平衡数据集训练入侵检测模型,采用XGBoost、随机森林、CNN、LSTM、Transformer或混合模型等合适算法,通过超参数优化和交叉验证确保最优模型设置,使用准确率、精确率、召回率、F1分数和AUC等标准评估。第五阶段为边缘智能部署,将训练好的最优IDS模型部署在靠近IIoT设备的边缘网关或边缘服务器上,在网络边缘执行推理可大幅降低延迟、减少带宽使用,实现无需将数据发送至云服务器的实时安全决策。第六阶段为实时入侵检测与响应,对IIoT流式数据进行实时分析,将传入网络流标记为良性或恶意,检测到攻击后触发安全警报并调用缓解方案,包括阻止流量、隔离设备、实施访问控制或通知工业安全管理员。第七阶段为漂移检测、自适应缓冲和标签获取,当漂移感知监控组件检测到流量行为或模型性能发生统计显著变化时,新观测流量不会立即用于模型重训练,而是存储在临时自适应缓冲区中。标签通过结合高置信度模型预测、安全规则或签名以及互补监控系统生成的警报的混合机制获取,低预测置信度、证据冲突或潜在未知攻击行为的样本被标记供安全分析人员选择性验证。第八阶段为受控模型自适应、验证和重新部署,自适应学习组件使用经批准的适应数据集和代表性历史样本定期更新入侵检测模型,重训练由检测到的漂移和足够可靠适应数据的可用性共同触发,候选更新模型需通过预定义性能标准评估,包括检测有效性、误报行为和边缘部署计算适用性,仅在相对当前部署模型表现出充分改进或稳定性时才部署。第九阶段为持续边缘智能,将修订后的IDS模型重新分发至所有相关边缘网关,确保持续部署使所有边缘网关拥有最新的网络安全信息而不中断工业运营,形成持续监控、漂移检测、修订和重新部署的终身学习循环。论文还阐述了所建议集成架构的优势:基于GAN的增强主要适用于改善训练数据中已有的罕见但已观测攻击类别的表示;漂移感知学习通过持续跟踪流量演变和自适应重训练模型降低概念漂移对检测的影响;边缘智能通过在分布式工业边缘设备上本地执行推理实现低延迟入侵检测,减少带宽消耗、增强可扩展性、保护隐私并提升系统韧性。三者结合形成反馈循环,新出现的威胁模式触发模型重训练,随后重新部署到边缘节点,在检测性能、计算效率、通信开销和资源利用之间取得平衡。

6. 面向智能与自主IIoT入侵检测的未来研究方向

论文指出,未来IIoT入侵检测系统预计将从自适应学习演变为完全自主、协作和可信的网络安全框架。在自主与自适应入侵检测方向,未来IDS应自主识别新兴攻击行为、确定适当的自适应策略并在无需频繁人工干预的情况下优化检测性能,需要整合持续学习、在线增量学习、强化学习、元学习和自主决策机制,同时保持先前获取的知识并最小化灾难性遗忘。可解释人工智能(XAI)对提供透明可理解的安全决策将变得重要,未来自主IDS应结合自适应学习、不确定性估计和可信AI。能够自动启动缓解措施、隔离受损设备和协调分布式工业基础设施中的事件响应的智能安全编排将是迈向完全自主网络防御的重要一步。在边缘原生协作智能方向,未来工作应继续将当前边缘智能框架扩展至协作的端-边-云生态系统,智能根据可用计算资源、网络条件和应用需求动态分布。联邦学习、分割学习、TinyML和去中心化优化技术为在保护数据隐私和减少通信开销的同时实现协作模型训练提供了有前景的机制。资源感知模型压缩、知识蒸馏、神经架构优化和能效推理对于在资源受限的工业边缘设备上部署先进深度学习模型将越来越重要。在下一代数据驱动与可信AI方向,未来IIoT入侵检测将日益基于数据驱动人工智能和可信学习范式。扩散模型和基础模型等新兴生成模型为生成逼真的合成网络攻击数据提供了新机会。数字孪生有望成为模拟工业网络攻击、测试自适应IDS和在受控环境中生成真实网络安全数据集的实用平台。未来工作还应探索LLM和智能AI代理如何协同支持自动化威胁分析、安全策略生成、漏洞评估和事件响应。标准化评估协议、开放基准数据集、可复现实验框架以及联合评估检测精度、适应性、计算效率、能耗、可解释性和隐私保护的综合性能指标的定义,对于实现公平比较和加速可信可部署IIoT入侵检测系统的发展至关重要。

7. 结论与未来工作

论文总结指出,网络威胁的快速演变和IIoT环境日益增长的复杂性要求入侵检测系统具有适应性、可扩展性和实时工作能力。本综述对智能IIoT入侵检测的最新技术进行了结构化叙事性概述,包括机器学习、深度学习和混合方法,重点关注基于GAN的数据增强、漂移感知学习和边缘智能三个研究方向,它们是处理类别不平衡、演变攻击行为和分布式工业环境资源约束的互补技术。除文献综述外,本综述将这些技术整合为一个通用参考架构,展示了如何将自适应学习、智能数据增强和基于边缘的部署相结合以支持下一代实时IIoT入侵检测。最后,本综述提出了自主、协作和可信IIoT网络安全的未来研究途径,强调了持续学习、边缘原生智能、可信AI和标准化评估框架日益增长的重要性,为研究人员和实践者设计面向未来工业5.0生态系统的智能、自适应和韧性入侵检测系统提供了广泛参考、实用设计指导和未来研究议程。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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