面向物联网入侵检测系统的灾难性遗忘量化
机器学习
2026-03-03 v1 人工智能
摘要
RPL 基础物联网网络中攻击模式的分布迁移构成了大规模联接系统可靠性和安全性的关键威胁。训练于静态数据集的入侵检测系统（IDS）常常难以推广至未见威胁，并在更新新攻击时 suffer 从灾难性遗忘。因此确保 IDS 持续适应性对于维持稳健的物联网网络防御至关重要。在本聚焦研究中，我们将入侵检测表述为域持续学习问题，提出一种方法中性的 IDS 框架，可集成多样化的持续学习策略。我们在多个域排序序列上系统性地对五种具有代表性的方法进行基准测试，使用包括 48 个域的综合多攻击数据集。结果表明，持续学习可缓解灾难性遗忘，同时在塑性、稳定性和效率之间取得平衡，这对于资源受限的物联网环境至关重要。在所述方法中，基于重放的策略实现了最佳整体性能，而 Synaptic Intelligence（SI）实现接近零遗忘并具备高训练效率，显示出在动态物联网网络中部署稳定可持续 IDS 的强大潜力。
引用
@article{arxiv.2603.00363,
title = {Quantifying Catastrophic Forgetting in IoT Intrusion Detection Systems},
author = {Sourasekhar Banerjee and David Bergqvist and Salman Toor and Christian Rohner and Andreas Johnsson},
journal= {arXiv preprint arXiv:2603.00363},
year = {2026}
}
备注
6 pages, 4 figures