ExpIDS：一个漂移适应且解释性更好的网络入侵检测系统
密码学与安全
2025-09-26 v1
摘要
尽管利用机器学习 (ML) 模型的网络入侵检测系统 (NIDS) 具有诸多优势，但这些模型在实际生产环境中实施的意愿仍显不足。这主要是由于它们隐秘的本质导致的，即不清楚模型如何以及为何作出决策。本文设计了基于深度学习的 NIDS ExpIDS，以实现高决策树解释保真度，即 ExpIDS 的预测与决策树解释的预测应尽可能接近。ExpIDS 还能适应网络流量分布 (drift) 的变化。通过大量实验，我们验证了 ExpIDS 在实现更高的决策树解释保真度方面取得优势，同时在常见攻击的各种实际漂移水平下，检测恶意流量的性能与最先进的 NIDS 相当。
引用
@article{arxiv.2509.20767,
title = {ExpIDS: A Drift-adaptable Network Intrusion Detection System With Improved Explainability},
author = {Ayush Kumar and Kar Wai Fok and Vrizlynn L. L. Thing},
journal= {arXiv preprint arXiv:2509.20767},
year = {2025}
}