面向工业物联网系统入侵检测的强鲁健 PPO 优化表格转换器框架
机器学习
2025-05-27 v1 人工智能
摘要
本文提出一种面向工业物联网（IIoT）环境中面向类别不平衡和零样本攻击情境的 robust 强化学习增强网络入侵检测系统（NIDS）。该模型集成了 TabTransformer 以实现表格特征的有效表示，并采用 Proximal Policy Optimization（PPO）通过策略学习优化分类决策。在 TON\_IoT 数据集上进行评估，本方法实现了 97.73% 的宏平均 F1 分数和 98.85% 的准确率。值得注意的是，即便在对抗极少数类别（如 man-in-the-middle, MITM）的检测场景中，本模型也达到了 88.79% 的 F1 分数，展示了强大的鲁健性和零样本检测能力。大量消融实验确认了 TabTransformer 与 PPO 在缓解类别不平衡和提升泛化能力中的互补作用。这些结果凸显了将基于转换器的表格学习与强化学习相结合在实际 NIDS 应用中的潜力。
引用
@article{arxiv.2505.18234,
title = {A Robust PPO-optimized Tabular Transformer Framework for Intrusion Detection in Industrial IoT Systems},
author = {Yuanya She},
journal= {arXiv preprint arXiv:2505.18234},
year = {2025}
}