利用可解释的概念漂移阻止网络安全攻击

网络安全攻击对自主系统的运行构成了重大威胁。受影响尤为严重的是智能建筑中的暖通空调（HVAC）系统，该系统依赖传感器收集的数据以及使用所采集数据的机器学习（ML）模型。因此，篡改这些传感器读数的攻击会严重影响 HVAC 系统的运行，从而影响居民的舒适度和节能目标。此类攻击可能会诱发馈送到 ML 模型的在线数据分布发生变化，违反了训练和测试数据分布相似性的基本假设。这会由于一种称为概念漂移（CD）的现象——即输入特征与目标变量之间关系的改变——而导致模型预测准确率的下降。解决 CD 需要识别漂移源以应用有针对性的缓解策略，这一过程被称为漂移解释。本文提出了一种特征漂移解释（FDE）模块来识别发生漂移的特征。FDE 利用自编码器（AE）重构回归深度学习（DL）模型第一层的激活，并寻找其潜在表示。当检测到漂移时，漂移数据的每个特征都会被替换为训练数据中对应的代表特征。然后使用 Minkowski 距离来度量改变后的漂移数据与原始训练数据之间的差异。结果表明，FDE 成功识别了 85.77 % 的漂移特征，并展示了其在 CD 现象下 DL 自适应方法中的效用。因此，FDE 方法是识别漂移特征以阻止网络安全攻击的有效策略。