面向精准网络攻击识别的多粒度离散化：用于可解释泛化
密码学与安全
2025-07-22 v1 人工智能
摘要
可解释入侵检测系统(IDS)已被认可为关键网络的必需品，但大多数"XAI"管道仍在不透明分类器上方拆接一个近似解释器，给分析员提供部分甚至误导性的见解。可解释泛化(IG)机制已通过学习协同模式——独特于良性或恶意流量的特征组合——并将其转化为完全可审计的规则来消除这一瓶颈。IG在NSL-KDD、UNSW-NB15和UKM-IDS20上已实现卓越的精度、召回率和AUC，即便仅使用10%的数据进行训练。为在不牺牲透明度的前提下进一步提升精度，我们引入了多粒度离散化(IG-MD)，该方法在多个基于高斯的分辨率上表示每个连续特征。在UKM-IDS20上，IG-MD在所有九个train-test split上均将精度提高4个百分点以上，而保持召回率约等于1.0，表明单个解释就绪模型可无需针对性调优地跨域扩展。
引用
@article{arxiv.2507.14223,
title = {Multi-Granular Discretization for Interpretable Generalization in Precise Cyberattack Identification},
author = {Wen-Cheng Chung and Shu-Ting Huang and Hao-Ting Pai},
journal= {arXiv preprint arXiv:2507.14223},
year = {2025}
}
备注
ACM CCS 2025 (Submitted)