面向医疗物联网入侵检测的XGB-AGMoE:验证自适应颗粒混合专家框架
《Sensors》:XGB-AGMoE: A Validation-Adaptive XGBoost-Anchored Granular Mixture-of-Experts Framework for Multi-Class Intrusion Detection in IoMT WiFi–MQTT Traffic
【字体:
大
中
小
】
时间:2026年09月26日
来源:Sensors 4.0
摘要
医疗物联网(IoMT)环境基于WiFi和MQTT通信,导致入侵检测数据高度不均衡且异质性程度较高。本研究提出XGB-AGMoE,这是一种验证自适应的以XGBoost为锚点的颗粒混合专家框架,结合了CatBoost、LightGBM和XGBoost的基于分位数派生的颗粒描述符与专家模型、逐类事后Sigmoid校准、无泄露的逻辑回归堆叠,以及以XGBoost为锚点的概率融合阶段。在分别使用不相交的开发子集进行预处理、校准、堆叠和锚点选择之后,官方测试分区被留作最终评估使用。在种子42的规范实验中,校准后的XGBoost锚点权重选定为0.80,校准后的堆叠权重选定为0.20。在150,000条记录的官方测试样本上,所得模型达到了0.993887的准确率、0.993681的加权F1值、0.851256的宏平均F1值、0.999634的宏平均ROC-AUC和0.921352的宏平均PR-AUC。Brier分数、负对数似然和预期校准误差分别为0.007531、0.015309和0.001775。在种子42、52和62下,准确率为,宏平均F1值为。拒服务类中排名靠前的类别召回率较高,而DDoS Publish Flood和Recon VulScan的召回率较低。结果验证了专家锚定与验证控制评估的有效性,同时也表明融合收益取决于数据划分方式,并应结合稳健的组件基线进行评估。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号