使用可解释 AI 与 LLM 的自适应端到端物联网安全框架
机器学习
2024-09-23 v1 密码学与安全
摘要
物联网的指数级增长显著增加了网络安全威胁的复杂性与数量，亟需开发先进、可扩展且可解释的安全框架。本文提出了一个创新且全面的实时物联网攻击检测与响应框架，该框架利用了机器学习（ML）、可解释 AI（XAI）和大语言模型（LLM）。通过将 SHAP（SHapley Additive exPlanations）和 LIME（Local Interpretable Model-agnostic Explanations）等 XAI 技术与模型无关架构相集成，我们确保了该框架对各种 ML 算法的适应性。此外，LLM 的引入增强了检测决策的可解释性与可访问性，为系统管理员提供关于所检测威胁的可执行且人类易于理解的解释。我们的端到端框架不仅促进了从模型开发到部署的无缝过渡，还代表了现有研究中往往缺乏的真实世界应用能力。基于我们在 CIC-IOT-2023 数据集 \cite{neto2023ciciot2023} 上的实验，Gemini 和 OPENAI LLM 在攻击缓解中展现出独特优势：Gemini 提供精确、聚焦的策略，而 OPENAI 提供广泛、深入的安全措施。在 XAI 中结合 SHAP 和 LIME 算法为攻击检测提供了全面洞察，强调了通过详细特征分析、微调以及适应误分类来提升模型准确性的机会。
引用
@article{arxiv.2409.13177,
title = {An Adaptive End-to-End IoT Security Framework Using Explainable AI and LLMs},
author = {Sudipto Baral and Sajal Saha and Anwar Haque},
journal= {arXiv preprint arXiv:2409.13177},
year = {2024}
}
备注
6 pages, 1 figure, Accepted in 2024 IEEE WF-IoT Conference