基于表格扩散的网络入侵检测可操作反事实解释

现代网络入侵检测系统（NIDS）频繁利用复杂深度学习模型的预测能力。然而，这些深度学习方法的“黑箱”特性增加了一层不透明性，阻碍了对检测决策的正确理解、增加了对决策的信任，并妨碍了及时采取防御措施。解释性人工智能（XAI）方法通过提供预测原因的洞见来解决此问题。大多数现有XAI方法提供的解释不便于转换为可操作的防御措施。本文提出一种新颖的基于扩散的反事实解释框架，可为网络入侵攻击提供可操作的解释。我们在三个现代网络入侵数据集上对本文提出的算法进行了评估。鉴于本文是首次在网络入侵检测系统背景下对现有反事实解释算法进行比较分析，我们深知自己是首次提供此类比较分析。我们的方法在更高效的条件下，能够为所测试的多种反事实解释算法提供最小且多样化的反事实解释，显著缩短生成解释的时间。我们还展示了如何通过对反事实解释进行汇总以创建一组全局规则来提供可操作的解释。这些规则不仅在实例级别也在全局层面对入侵攻击具有可操作性。这些全局反事实规则显示出有效过滤传入攻击查询的能力，这对于高效的入侵检测和防御机制至关重要。