中文

为保护而遗忘：一种用于物联网安全的具有隐私保护特征遗忘和XAI的蒸馏强化学习框架

密码学与安全 2026-07-08 v1
作者: Md. Nahid Hasan , Golam Rabiul Alam
在 arXiv 上查看 ↗ PDF ↗

摘要

僵尸网络构成了重大的网络安全威胁，能够在物联网设备上发起DDoS、数据窃取和服务中断等攻击。这些设备通常缺乏内置的僵尸网络流量过滤，使其暴露在高度风险中。现有的基于AI的解决方案提高了检测能力，但存在局限性：(i) 它们对于物联网部署来说过于沉重，(ii) 它们缺乏遗忘能力，无法在不重新训练的情况下忘记敏感或过时的特征。为了解决这些挑战，我们提出了DiRLU，一个轻量级的、强化学习驱动的框架，同时通过选择性地遗忘敏感或过时的特征来确保隐私，而无需重新训练。该框架利用知识蒸馏将知识从教师模型转移到轻量级学生模型，两个模型都使用A2C进行训练。事后遗忘机制修改权重以移除目标特征，而恢复的特征显示出可忽略的性能损失，证实了可逆性。与许多仅使用BoT-IoT数据集5%的基准模型不同，本研究利用了25%，使我们能够开发一个强大的教师模型。教师和学生模型都使用A2C强化学习算法进行训练，取得了令人印象深刻的结果，学生模型达到了99.60%的准确率和99.80%的F1分数。为了增强透明度，我们集成了可解释人工智能 (XAI)，特别是LIME，它有助于解释模型的决策并识别影响其预测的关键特征。此外，DiRLU仅需要2,370 FLOPS，比最先进的模型效率高约3.87倍，突显了其在边缘部署的效率。DiRLU将效率与隐私相结合，符合GDPR标准（被遗忘权），提供了实用且可扩展的物联网安全解决方案。

关键词

僵尸网络检测 强化学习 知识蒸馏 特征遗忘 可解释人工智能 物联网安全

引用

@article{arxiv.2607.07635,
  title  = {Unlearning to Protect: A Distilled Reinforcement Learning Framework with Privacy-Preserving Feature Unlearning and XAI for IoT Security},
  author = {Md. Nahid Hasan and Golam Rabiul Alam},
  journal= {arXiv preprint arXiv:2607.07635},
  year   = {2026}
}