物联网中基于元启发式和机器学习驱动的入侵检测系统综述

物联网 的广泛采用给开发者带来了新的挑战，因为其异构性、灵活性和紧密的连通性使其容易受到已知和未知的网络攻击。为了抵御此类安全漏洞，研究人员专注于利用机器学习 (ML) 技术构建复杂的入侵检测系统。尽管这些算法显著提高了检测性能，但它们需要过多的计算能力和资源，考虑到近期去中心化数据处理和计算系统的趋势，这在物联网网络中是至关重要的问题。因此，许多优化技术已被结合到这些 ML 模型中。具体而言，近年来从生物行为和自然现象不同方面借鉴的一类特殊优化器，即元启发式算法，一直是核心焦点并取得了显著成果。考虑到这一重要性，我们对元启发式算法在开发基于 ML 的 IDS 中的各种应用进行了全面且系统的综述，特别是针对物联网。本研究的一项重要贡献是发现了这些优化技术与集成了 SOTA 物联网 IDS 的机器学习模型之间的隐藏相关性。此外，分别分析了这些元启发式算法在特征选择、参数或超参数调优以及混合使用等不同应用中的有效性。此外，提出了现有物联网 IDS 的分类法。我们还调查了与此类集成相关的几个关键问题。我们的广泛探索以讨论有望提高物联网 IDS 效率的优化算法和技术作为结束。