IIoT网络中轻量级入侵检测模型的跨域泛化失败
密码学与安全
2026-07-01 v1 人工智能
摘要
轻量级机器学习模型因其适用于资源受限的边缘部署，越来越多地被提议用于工业物联网（IIoT）网络中的入侵检测。大多数报告的结果仅在其训练网络内评估这些模型，未验证在未见网络上的行为。本研究在一个IIoT数据集上训练四种轻量级架构，并使用仅限于所有三个来源可用属性的特征表示，在另外两个结构不同的IIoT数据集上评估它们，而不进行重新训练。对两个表现最佳的模型的解释性分析表明，两者都过度依赖粗略的端口类别特征；最具影响力的类别在源域攻击流量中的出现率是目标域中的96到435倍，这表明细化端口分辨率是转移而非移除了一个已记录的捷径。在自然不平衡的类别分布下进行评估揭示了一个进一步的影响：所使用的评估协议可以反转哪个目标网络似乎构成更大的泛化挑战。还评估了对抗鲁棒性和通过有限目标域暴露的恢复；对对抗扰动的鲁棒性与跨网络泛化无关，通过适应的恢复因架构而异。这些发现表明，部署就绪性应使用现实类别分布下的跨网络评估来评估，而不是仅使用域内准确性。
引用
@article{arxiv.2607.00553,
title = {Cross-Domain Generalization Failure in Lightweight Intrusion Detection Models for IIoT Networks},
author = {MD Azizul Hakim and Md Shihab Uddin and Talha Ibne Anis},
journal= {arXiv preprint arXiv:2607.00553},
year = {2026}
}