CITADEL：面向 IoT 入侵检测的持续异常检测框架
密码学与安全
2025-08-28 v1
摘要
物联网 (IoT) 由于其高度互联性和有限的计算资源，面临各种网络威胁。入侵检测系统 (IDS) 已广泛研究以增强 IoT 安全性，机器学习-based IDS (ML-IDS) 在检测恶意活动方面显示出巨大的潜力。然而，其有效性常受限于对新兴威胁的适应性差和在持续学习期间的灾难性遗忘问题。为此，我们提出了 CITADEL，一个自监督持续学习框架，旨在从良性数据中提取稳健的表征，同时通过优化记忆统一机制保存长期知识。CITADEL 集成了一个表格到图像转换模块、一个记忆感知的掩码自编码器，用于自监督表征学习，以及一个无需依赖标记攻击数据的异常检测组件。我们的设计使系统能够逐步适应新出现的行为，同时保留检测以前观察到的威胁的能力。实验表明，在多个入侵数据集上，CITADEL 在关键检测和保留指标上相较于基于变分自编码器的终身异常检测器 (VLAD) 实现了最高 72.9% 的提升，凸显了其在动态 IoT 环境中的有效性。
引用
@article{arxiv.2508.19450,
title = {CITADEL: Continual Anomaly Detection for Enhanced Learning in IoT Intrusion Detection},
author = {Elvin Li and Onat Gungor and Zhengli Shang and Tajana Rosing},
journal= {arXiv preprint arXiv:2508.19450},
year = {2025}
}
备注
Under review at IEEE IoTJ