面向物联网入侵检测的深度强化学习应用：系统综述
密码学与安全
2025-05-25 v1
摘要
物联网（IoT）显著扩展了数字格局， interconnecting an unprecedented array of devices, from home appliances to industrial equipment。这种增强功能的发展（如自动化、远程监控和控制）引入了 substantial security challenges，尤其是在防御这些设备免受网络威胁的方面。入侵检测系统（IDS）对于保护IoT至关重要；然而，传统IDS往往难以适应IoT网络的动态和不断演变的本质以及威胁模式。一个潜在解决方案是使用深度强化学习（DRL）来增强IDS的适应性，使其能够从其操作环境中学习并做出动态反应。本系统综述涵盖过去十年的研究，考察了DRL应用于IoT环境以增强IDS的应用。本综述强调了各种研究所采用的先进DRL技术，以提高跨IoT领域的自适应威胁检测和实时安全能力。我们的发现表明，DRL显著提升了IDS能力，使系统能够从其操作环境中学习和适应。这种适应性使IDS能够提高威胁检测准确性，最小化误报，使其在识别真实威胁方面更有效，同时减少不必要的警报。此外，本系统综述识别了关键的研究空白和未来研究方向，强调需要更具代表性的数据集、提高可重复性以及与新兴IoT技术集成的必要性。本综述旨在促进开发对抗复杂网络威胁的IoT网络所必需的动态和自适应IDS解决方案的发展。
引用
@article{arxiv.2504.14436,
title = {Application of Deep Reinforcement Learning for Intrusion Detection in Internet of Things: A Systematic Review},
author = {Saeid Jamshidi and Amin Nikanjam and Kawser Wazed Nafi and Foutse Khomh and Rasoul Rasta},
journal= {arXiv preprint arXiv:2504.14436},
year = {2025}
}