面向生态友好型网络安全：基于机器学习的异常检测集成碳与能耗指标

人工智能的日益增长能耗已成为美国数据中心排放的一个可衡量组成部分，但网络安全研究很少考虑其环境成本。本研究引入一种生态感知异常检测框架，将基于机器学习的网络监控与实时碳排放和能耗跟踪集成。使用由 CodeCarbon 工具包监控的受控 Colab 环境，对公开可用的碳感知网络安全流量数据集（包含 2300 条流级观测数据）进行基准测试，评估逻辑回归、随机森林、支持向量机、孤立森林和 XGBoost 模型在能耗、碳排放和性能维度上的表现。每个实验在训练和推理阶段都量化了功耗和等效 CO2 输出。我们构建了生态效率指数，以每千瓦小时的 F1 分数衡量检测质量与环境影响之间的权衡。结果表明，优化后的随机森林和轻量级逻辑回归模型实现了最高的生态效率，在保持竞争检测准确性的同时，将能耗比 XGBoost 降低了超过 40%。主成分分析进一步降低了计算负担，召回率几乎不受影响。总体而言，这些发现表明，将碳排放和能耗指标纳入网络安全工作流程可实现环境可持续的机器学习，而不会妥协于实际保护。该框架为面向可持续碳可追溯网络安全的可复制路径，契合新兴的美国绿色计算和联邦能源效率倡议。