面向实际物联网安全的概念漂移鲁棒 IoT 僵尸网络检测：基于潜在空间表示学习与对齐
机器学习
2025-12-30 v1 计算机视觉与模式识别
摘要
尽管基于 AI 的模型在物联网威胁检测中取得了高准确率，但其在企业环境中的部署受限于依赖静止数据集，而实际物联网 NetFlow 流量具有动态特性，常受概念漂移影响。现有解决方案通常依赖定期重新训练分类器，导致高计算开销和灾难性遗忘风险。为解决这些挑战，本文提出一种可扩展的自适应物联网威胁检测框架，无需持续重新训练分类器。该方法在历史流量的潜在空间表示上训练一次分类器，同时通过对齐模型将输入流量映射到已学习的历史潜在空间，以便进行分类，从而保留先前观察到的攻击知识。为捕捉攻击样本之间的实例关系，低维潜在表示进一步转换为图结构格式，并使用图神经网络进行分类。在真实世界异构物联网流量数据集上的实验评估表明，所提框架在概念漂移下仍能保持稳健的检测性能。这些结果凸显了该框架在动态大规模物联网环境中实际部署的潜力。
引用
@article{arxiv.2512.22488,
title = {Toward Real-World IoT Security: Concept Drift-Resilient IoT Botnet Detection via Latent Space Representation Learning and Alignment},
author = {Hassan Wasswa and Timothy Lynar},
journal= {arXiv preprint arXiv:2512.22488},
year = {2025}
}