基于联邦自适应概率堆叠与宗族-鸟群优化及可解释人工智能的移动边缘网络隐私保护入侵检测

《Scientific Reports》：Privacy-preserving intrusion detection in mobile edge networks via federated adaptive probabilistic stacking with clan–flock optimisation and explainable AI

　　

专业术语翻译： 移动边缘网络需要具备隐私性、准确性和可解释性的入侵检测系统（IDS）。研究人员提出了FedAPS–CFO，一种联邦入侵检测框架，耦合了四种机制：预测级联邦平均（FedAvg），确保原始流量永不离开边缘；自适应概率堆叠（APS）集成，融合堆叠元学习器、贝叶斯模型平均（BMA）和特征条件集成；宗族-鸟群优化（CFO），一种混合元启发式算法，在内部验证分割上调整融合权重和决策阈值；以及沙普利加性解释（SHAP）与局部可解释模型无关解释（LIME），并对其稳定性、保真度和忠实度进行了定量验证。在分层10折交叉验证下，FedAPS–CFO在NSL-KDD上取得0.997的F1分数，在UNSW-NB15上为0.951，在CICIDS2017上为0.979，在CIC-IoT2023上为0.998，与每个数据集上最强的组成集成持平，并显著超越其余组件（Wilcoxon符号秩检验，Holm校正）。在多达100个客户端且具有Dirichlet标签偏斜的联邦中，FedAPS–CFO将检测性能维持在理想工作点1.2个F1点以内——比其联邦基学习器高出多达46个点——表明训练后的融合吸收了客户端异质性。在匹配预算下，CFO是调参任务中最可靠的优化器。因此，自适应后验融合为在网络边缘实现准确、可解释、隐私保护的入侵检测提供了一条实用路径。

论文解读文章：

一、研究背景与问题

移动边缘计算（MEC）已将现代网络重塑为分布式、异构的架构，承载着消费、工业和车联网流量，跨越数十亿资源受限且面临对抗性威胁的设备。在此运行条件下，入侵检测系统（IDS）必须同时满足三个集中式架构难以达成的需求。首先，原始流量编码了个人、临床或运营信息，若未经处理便传送至中央分析器，将违反《通用数据保护条例》（GDPR）或《健康保险携带与责任法案》（HIPAA）等隐私法规。其次，边缘攻击不断演化且地理分布广泛，检测必须泛化到流量非独立同分布（non-IID）且攻击分布高度不平衡的客户端。第三，安全运营中心（SOC）、取证分析师和合规团队需要理解流量为何被标记，而非接受黑盒分类器的不透明决策。

联邦学习（FL）通过保持数据本地化、仅在中央服务器聚合模型更新来解决隐私维度，已被广泛用于物联网（IoT）、MEC和车联网场景的IDS，但FL本身并不能解决准确性和可解释性问题。集成分类器可降低IoT流量的方差和误报率，但其优势强烈依赖于组件学习器的组合方式，而调整组合是一个非凸搜索问题，单一策略元启发式算法容易陷入局部最优。此外，可解释性已从理想属性转变为操作要求：没有全局和局部解释，分析师无法验证告警或在下游为决策辩护。

现有大多数工作仅针对单一维度。少数确实结合多个维度的框架——尤其是基于区块链或混合差分隐私的联邦系统——通常引入与移动边缘部署的延迟和能耗预算不相容的重型密码学或共识开销。鲜有研究将隐私保护、集成鲁棒性、混合优化和可解释人工智能（XAI）整合到单一实用流水线中。

二、研究内容与结论

研究人员提出了FedAPS–CFO框架，旨在联合满足四项需求，将隐私保护、自适应集成融合、混合元启发式调参和模型解释视为协同设计的组件而非附加功能。在四个基准数据集上的分层10折交叉验证中，FedAPS–CFO取得F1分数：NSL-KDD为0.9972±0.0004，UNSW-NB15为0.9512±0.0019，CICIDS2017为0.9795±0.0019，CIC-IoT2023为0.9977±0.0001。校正后的显著性检验支持精确论断：FedAPS–CFO在每个数据集上均显著优于AdaBoost，在大多数数据集上优于梯度提升分类器（GBC）、贝叶斯模型平均（BMA）和条件集成方法（CEM），而在全部四个数据集上与两个最强组成（堆叠元学习器SEM和联邦极端随机树ETC）在统计上不可区分。在多达100个客户端且具有Dirichlet标签偏斜的联邦中，FedAPS–CFO将检测性能维持在理想工作点1.2个F1点以内，比其联邦基学习器高出多达46个点，表明训练后的融合吸收了客户端异质性。在匹配预算下，CFO是调参任务中最可靠的优化器。这项研究的重要意义在于：自适应后验融合为在网络边缘实现准确、可解释、隐私保护的入侵检测提供了一条实用路径，且无需操作者预先知晓哪种学习器将在其流量上占优。

三、主要关键技术方法

研究人员采用以下关键技术方法：预测级联邦平均（FedAvg）聚合，使原始流量保留在边缘；自适应概率堆叠（APS）集成，融合堆叠元学习器（SEM）、贝叶斯模型平均（BMA）和特征条件集成方法（CEM）；宗族-鸟群优化（CFO），一种交替象群优化（EHO）宗族阶段（探索）与粒子群优化（PSO）鸟群阶段（开发）的混合元启发式算法，用于调整四维APS配置{w_SEM, w_BMA, w_CEM, τ}；沙普利加性解释（SHAP，全局）与局部可解释模型无关解释（LIME，局部）两层可解释AI。样本来源为四个公开基准数据集：NSL-KDD（125,973条记录，36个特征）、UNSW-NB15（257,673条记录，42个特征）、CICIDS2017（约280万条流记录，78个特征，缩减为150,000条分层子样本）和CIC-IoT2023（46个特征，缩减为150,000条分层子样本）。

四、研究结果

特征选择：每训练折内，χ2排名在NSL-KDD上持续将流量体积特征（src_bytes、dst_bytes、duration、count）和每主机速率统计置于前列，分数跨越九个数量级；其他数据集产生定性相似排名，以体积、速率和TCP状态特征为主。

四个数据集上的分类性能：FedAPS–CFO在全部四个数据集上维持高检测性能，F1分数分别为NSL-KDD 0.9972±0.0004、UNSW-NB15 0.9512±0.0019、CICIDS2017 0.9795±0.0019、CIC-IoT2023 0.9977±0.0001。哪个组件最强因数据集而异（NSL-KDD上为SEM，UNSW-NB15和CICIDS2017上为ETC，CIC-IoT2023上为GBC/BMA），这是APS的操作性论据：调优后的融合跟踪每个数据集的前沿者，误差在一个标准差以内，无需操作者预先知晓哪个学习器将占优。

误差分析：在NSL-KDD参考折上，20,203条正常流中71条被标记为攻击（假阳性率0.35%），17,589条攻击中44条被漏报（假阴性率0.25%）；ROC-AUC为0.9999。残余误差聚集在决策阈值附近，CFO调优的τ作为风险控制面，操作者可通过移动τ来权衡假阳性与假阴性而无需重新训练。

APS融合规则消融：在IID交叉验证下，融合对任何单一移除均不敏感：缩减变体在所有地方保持在完整APS的0.3个F1点以内，SEM是最有影响的组件（移除时下降最大，在CICIDS2017和UNSW-NB15上），而联邦后验的无权重均值落后多达0.7个点。在IID条件下组件充当保险而非加性增益；真正区分它们的机制是非IID研究，其中缺乏训练元学习器的组合会崩溃。

现实联邦下的鲁棒性：FedAPS–CFO自身优雅地退化：在NSL-KDD上F1从0.9955（K=10，IID）降至最严苛单元格（K=100，Dirichlet α=0.1）的0.9840；在CIC-IoT2023上从0.9978降至0.9955；数量偏斜最多损失0.2个点。决定性对比是与联邦基学习器：在α=0.1标签偏斜下，AdaBoost崩溃至F1 0.52–0.69。

优化器比较：在匹配预算下，CFO是调参任务中最可靠的优化器，展现出低跨种子方差，而非在任意合成景观上的优势。

运行与通信开销：预测级FedAvg每评估批次交换K×B×n_e个标量后验（float32），即O(KBn_e)上行链路；权重级FedAvg每轮每学习器交换一个序列化模型，O(K∑_b|θ_b|)，与n_e无关。预测级聚合在小评估批次和异构非可微局部模型下更优。

定量XAI评估：对NSL-KDD一个折的融合APS预测器进行数值评估。稳定性：30个分层测试实例，每次解释对10次高斯扰动（σ=0.05）重新计算，通过top-5 Jaccard重叠和Spearman秩相关比较；保真度：100个实例上LIME岭代理的局部R2；忠实度：200个实例上的删除和插入曲线，以面积（AOPC）对照随机排序控制进行总结。

五、讨论与结论

讨论部分指出，FedAPS–CFO的独特价值在于其鲁棒性、可调工作点以及联邦停止类平衡时的行为。APS的三种规则被构造为在不同情境下出错：SEM是训练过的非线性映射，其误差集中在元训练分布稀疏处；BMA是未训练的、以证据加权的平均，免疫元过拟合但偏向基学习器多数行为；CEM划分输入空间并切换学习器子集，其误差局部化在路由边界附近。三种机制——学习映射、证据加权和输入条件路由——响应不同失败模式，其误差协方差天然较低，这是融合占优其组件的先决条件。CFO的宗族阶段通过最差成员重采样保证非零概率访问箱内任何区域，鸟群阶段以衰减惯性控制收缩速率，产生探索半径几何衰减但永不消失的调度。

结论部分：研究人员提出FedAPS–CFO，一种联合满足隐私、准确性和可解释性三项要求的联邦IDS。通过预测级FedAvg保持数据局部性；APS自适应融合三种互补规则；CFO在内部验证分割上调整融合权重和阈值；SHAP和LIME提供全局与局部解释并定量审计。在四个跨越三代网络流量的基准上，FedAPS–CFO匹配最强组成集成并显著超越其余组件；在多达100个客户端的非IID联邦中，融合吸收客户端异质性，检测性能维持在理想工作点1.2个F1点以内；CFO在匹配预算下是最可靠优化器。自适应后验融合为在网络边缘实现准确、可解释、隐私保护的入侵检测提供了一条实用路径。