面向绿色 IoT 边缘网关的轻量级自编码器-孤立森林异常检测
密码学与安全
2025-11-25 v1
摘要
物联网 (IoT) 的快速增长催生了高度多样且相互连接的生态系统，正日益易受到复杂网络威胁。常规的异常检测方案往往侧重准确性，而忽视计算效率和环境影响，这限制了其在资源受限的边缘环境中的部署。本文提出了 \textit{EcoDefender}，一个可持续的混合异常检测框架，集成 \textit{自编码器 (AE)} 基于表示学习的技术与 \textit{孤立森林 (IF)} 异常评分。除了经验性能外，EcoDefender 还建立了理论基础，为其稳定性、收敛性、鲁棒性和能耗-复杂度耦合提供形式保证——从而将计算行为与能源效率关联起来。此外，针对真实的 IoT 流量的实验确认了这些理论见解，实现了最高 94\% 的检测准确率，平均 CPU 使用率仅 22\%，推理延迟为 27 毫秒，能耗比仅 AE 模型基线低 30\%。通过将可持续性指标直接嵌入安全评估过程中，本工作表明可靠的异常检测与环境责任可以在下一代绿色 IoT 基础设施中共存，与联合国可持续发展目标 (SDG 9: 韧性基础设施，SDG 13: 气候行动) 相吻合。
引用
@article{arxiv.2511.18235,
title = {Lightweight Autoencoder-Isolation Forest Anomaly Detection for Green IoT Edge Gateways},
author = {Saeid Jamshidi and Fatemeh Erfan and Omar Abdul-Wahab and Martine Bellaiche and Foutse Khomh},
journal= {arXiv preprint arXiv:2511.18235},
year = {2025}
}