面向边缘网关的实时物联网入侵推理：集成 IDS 与 LLM
密码学与安全
2025-11-25 v1
摘要
随着连接物联网设备数量的持续增长，保护这些系统免受网络威胁的挑战日益严峻，尤其是在计算和能源资源有限的环境中。本文提出一种面向边缘的入侵检测系统（IDS）框架，将轻量级机器学习（ML）基于 IDS 模型与预训练的大语言模型（LLM）集成，以提高检测准确性、语义可解释性和操作效率。该系统在低功耗边缘网关上评估了六种 ML 基于 IDS 模型：决策树（DT）、K 近邻（KNN）、随机森林（RF）、卷积神经网络（CNN）、长短期记忆（LSTM）以及混合 CNN-LSTM 模型，在实际网络攻击下实现最高达 98% 的准确率。对于异常检测，系统通过低带宽 API 调用将紧凑且安全的遥测快照（例如 CPU 使用率、内存使用率、延迟和能耗）传输给包括 GPT-4-turbo、DeepSeek V2 和 LLaMA 3.5 在内的 LLM。这些模型使用零样本、少样本和链式思考推理，生成人类可读的威胁分析和可操作的缓解建议。针对 DoS、DDoS、暴力破解和端口扫描等多种攻击进行评估，显示该系统在保持低延迟（<1.5 秒）、最小带宽使用（<1.2 kB/提示）和能源效率（<75 J）的同时增强了可解释性，证明了其在边缘网关 IDS 解决方案中的实用性和可扩展性。
引用
@article{arxiv.2511.18230,
title = {Think Fast: Real-Time IoT Intrusion Reasoning Using IDS and LLMs at the Edge Gateway},
author = {Saeid Jamshidi and Amin Nikanjam and Negar Shahabi and Kawser Wazed Nafi and Foutse Khomh and Samira Keivanpour and Rolando Herrero},
journal= {arXiv preprint arXiv:2511.18230},
year = {2025}
}