通过SHAP引导的特征剪枝和知识蒸馏的Kronecker网络实现轻量级物联网入侵检测
机器学习
2025-12-23 v1 网络与互联网体系结构
摘要
物联网（IoT）设备的广泛部署需要入侵检测系统（IDS）在严格的资源约束下保持高精度。传统的深度学习IDS通常过于庞大且计算密集，难以在边缘部署。我们提出了一种轻量级IDS，它结合了SHAP引导的特征剪枝与知识蒸馏的Kronecker网络。一个高容量的教师模型通过SHAP解释识别最相关的特征，而一个压缩的学生模型利用Kronecker结构层来最小化参数，同时保留判别性输入。知识蒸馏将软化后的决策边界从教师模型传递给学生模型，从而在压缩下提高泛化能力。在TON_IoT数据集上的实验表明，学生模型比教师模型小近三个数量级，但仍能保持宏F1分数高于0.986，且推理延迟为毫秒级。结果表明，可解释性驱动的剪枝和结构化压缩可以共同为异构IoT环境实现可扩展、低延迟和节能的IDS。
引用
@article{arxiv.2512.19488,
title = {Lightweight Intrusion Detection in IoT via SHAP-Guided Feature Pruning and Knowledge-Distilled Kronecker Networks},
author = {Hafsa Benaddi and Mohammed Jouhari and Nouha Laamech and Anas Motii and Khalil Ibrahimi},
journal= {arXiv preprint arXiv:2512.19488},
year = {2025}
}
备注
This work has been published in the proceedings of the 2025 8th International Conference on Advanced Communication Technologies and Networking (CommNet)