利用均衡学习、可靠伪标签与轻量级架构增强物联网自主在线入侵检测
密码学与安全
2026-05-27 v1 人工智能
机器学习
摘要
物联网（IoT）设备的快速普及催生了对能够处理动态和不断演变的网络威胁的自适应、资源高效的入侵检测系统（IDS）的迫切需求。本文研究了AOC-IDS，这是一个发表在IEEE INFOCOM 2024上的最先进的自主在线IDS，它采用具有簇排斥对比（CRC）损失的自动编码器（AE）和自主高斯决策模块。我们首先在UNSW-NB15基准上成功复现了AOC-IDS，达到了89.39%的准确率，与已发表的89.19%非常接近。随后，我们识别出四个关键局限性：类别不平衡、伪标签生成不可靠、泛化能力有限以及物联网部署的计算开销，并针对每个局限性提出了改进方案。我们的XGBoost-BalSamp方法在UNSW-NB15上达到了95.45%的准确率，比基线提高了6.26%。我们结合深度学习方法（PseudoFilter、MixupAug和LiteAE）实现了90.88%的最佳运行准确率（F1：91.45%），超过了基础论文，同时将模型参数减少了55%。这些结果表明，对AOC-IDS的针对性改进能够带来持续的准确率提升，同时提高其在物联网边缘设备上的实际可部署性。
引用
@article{arxiv.2605.26166,
title = {Enhancing Autonomous Online Intrusion Detection for IoT with Balanced Learning, Reliable Pseudo-Labels, and Lightweight Architectures},
author = {Hanzala Afzaal and Danish Memon and Chouhdary Bilal Raza and Muhammad Khurram Shahzad},
journal= {arXiv preprint arXiv:2605.26166},
year = {2026}
}
备注
9 pages, 5 figures; Code available at https://github.com/danishmemon847/AOC-IDS-Pipeline