碳意识入侵检测：基于受监督与非监督深度强化学习的可持续物联网边缘网关比较研究
密码学与安全
2026-05-21 v2
摘要
物联网（IoT）的快速扩张加剧了网络边缘地区分布式拒绝服务（DDoS）攻击的网络安全挑战。传统入侵检测系统（IDS）面临显著局限，包括对演变和零日攻击的适应性差、依赖静态签名和标记数据集，以及在资源受限的边缘网关上的效率低下。此外，现有大多数基于DRL的IDS研究忽略了能源效率和碳排放等可持续性因素。为此，本文提出两种新颖的深度强化学习（DRL）基于IDS：DeepEdgeIDS，一种无标签自编码器-DRL混合模型；AutoDRL-IDS，一种受监督的LSTM-DRL模型。两种DRL-based IDS均通过理论分析和实验评估在边缘网关上进行验证。结果表明，AutoDRL-IDS使用标记数据实现了94%的检测准确率，而DeepEdgeIDS通过无标签异常检测和在线缓解反馈实现了98%的离线评估准确率。本研究引入了碳意识的多目标奖励函数，支持AutoDRL-IDS的受监督奖励优化和DeepEdgeIDS的无标签在线奖励学习，实现了可持续的实时IDS在动态IoT网络中的运行。
引用
@article{arxiv.2511.18240,
title = {Carbon-Aware Intrusion Detection: A Comparative Study of Supervised and Unsupervised DRL for Sustainable IoT Edge Gateways},
author = {Saeid Jamshidi and Foutse Khomh and Kawser Wazed Nafi and Amin Nikanjam and Samira Keivanpour and Omar Abdul-Wahab and Martine Bellaiche},
journal= {arXiv preprint arXiv:2511.18240},
year = {2026}
}