面向安全增强的人类中心可解释人工智能：深度入侵检测框架
人工智能
2026-02-17 v1 人机交互
机器学习
摘要
日益增长的网络威胁复杂性和频率要求入侵检测系统（IDS）不仅要准确，还要具备可解释性。本文提出了一种新型IDS框架，将可解释人工智能（XAI）集成以增强深度学习模型的透明度。该框架使用基准数据集NSL-KDD进行实验评估，显示优于传统IDS和黑箱深度学习模型。该方法结合了卷积神经网络（CNN）和长短期记忆网络（LSTM）用于捕捉流量序列的时序依赖性。我们的深度学习结果显示，CNN和LSTM均达到了0.99的准确率，而LSTM在宏平均精确率、召回率和F1分数方面优于CNN。对于加权平均精确率、召回率和F1分数，两个模型得分相似。为确保可解释性，采用SHapley Additive exPlanations（SHAP）XAI模型进行集成，使安全分析师能够理解和验证模型决策。SHAP指出，两个模型的最重要影响特征为srv_serror_rate、dst_host_srv_serror_rate和serror_rate。我们还通过基于IPIP6和大五人格性格的交互式UI进行了以信任为导向的专家调查，以评估系统的可靠性和可用性。这一工作强调了在网络安全解决方案中结合性能和透明度的潜力，并建议通过自适应学习实现实时威胁检测。
引用
@article{arxiv.2602.13271,
title = {Human-Centered Explainable AI for Security Enhancement: A Deep Intrusion Detection Framework},
author = {Md Muntasir Jahid Ayan and Md. Shahriar Rashid and Tazzina Afroze Hassan and Hossain Md. Mubashshir Jamil and Mahbubul Islam and Lisan Al Amin and Rupak Kumar Das and Farzana Akter and Faisal Quader},
journal= {arXiv preprint arXiv:2602.13271},
year = {2026}
}