TGWO-DCC:基于动态跨层协作的边缘物联网与工业物联网轻量级入侵检测框架

《Ad Hoc Networks》:TGWO-DCC: A lightweight intrusion detection framework for edge IoT and IIoT via Dynamic Cross-Layer Collaboration

【字体: 大 中 小 】 时间:2026年09月27日 来源:Ad Hoc Networks 5.4

编辑推荐:

   •我们提出了一种面向边缘IoT和IIoT网络的轻量级入侵检测方法。•TGWO提升了高维离散特征选择中的效率。•DCCM减少了动态变化下无效的跨层联合搜索。•Raspberry Pi 4B测试验证了高效低延迟的边缘部署能力。引言随着物联网(IoT)和工业物联网(IIoT)的快速

  
  • •
    我们提出了一种面向边缘IoT和IIoT网络的轻量级入侵检测方法。
  • •
    TGWO提升了高维离散特征选择中的效率。
  • •
    DCCM减少了动态变化下无效的跨层联合搜索。
  • •
    Raspberry Pi 4B测试验证了高效低延迟的边缘部署能力。

引言

随着物联网(IoT)和工业物联网(IIoT)的快速发展,大量异构设备不断接入网络。因此,入侵检测系统(IDS)已成为保障这些资源受限环境安全的重要手段。与传统网络场景相比,IoT和IIoT环境在设备类型、通信标准、业务模式和运行条件方面表现出更强的异构性,因此更容易受到僵尸网络、分布式拒绝服务(DDoS)攻击和未知攻击变种等复杂威胁的侵害[1],[2],[3]。在此背景下,网络流量具有高维性、动态变化和不确定性等特征。传统检测方法通常依赖于规则匹配、浅层统计特征或固定分类器,往往难以在边缘IoT/IIoT网络监控中实现检测鲁棒性、误报控制和响应效率之间的满意平衡[2],[4]。
此外,IoT和IIoT网络中的边缘节点通常受到计算能力、存储容量、能源供应和延迟预算的限制。虽然深度神经网络及其变体在多个公开数据集上取得了较强的检测性能,但它们对大量计算资源、高维输入和大规模模型的依赖,往往限制了其在边缘网关和低功耗终端上的部署[5],[6],[7],[8],[9]。因此,当前IoT/IIoT入侵检测研究已从单纯提升分类精度转向同时减少输入冗余、降低训练和推理开销,并维持面向资源受限边缘网关和低功耗联网设备的可靠检测能力[5],[10],[11]。
为实现这些目标,当前研究仍面临两个相互关联的挑战。首先,许多元启发式算法最初是为连续空间设计的,而入侵检测中的特征选择本质上是一个高维离散组合优化问题。当连续优化器被直接映射到离散特征空间时,往往无法显式地利用特征之间的统计依赖性、冗余关系和结构先验,这可能导致方向性偏差、无效探索和过早收敛[2],[11],[12],[13],[14],[15]。其次,特征子集与模型超参数之间存在显著耦合。不同的特征组合会改变分类器的决策边界和泛化行为,从而影响最优超参数区域;反之,超参数的变化也可能重塑与特征子集相关的适应度分布[3],[7],[16]。传统的串行流水线和静态双层优化结构虽然在结构上可以容纳特征选择和超参数优化,但在动态适应度景观(DFL)下通常缺乏有效的跨层状态感知。因此,往往会引入重复探索和额外计算开销,降低联合优化的整体效率[16],[17]。
此外,近期研究主要探索了三条路径,包括基于强化学习和神经架构搜索的自动结构搜索、进化包装优化以及轻量级深度检测[9],[13],[14],[16],[17],[18]。每条路径都解决了边缘IDS问题的一部分,但自动搜索仍需要大量候选评估,特征与超参数的联合编码扩大了搜索空间,而轻量级深度检测器通常保留了全维流量输入。因此,面向边缘的IDS需要一种紧凑的搜索范式,该范式能够利用离散特征空间中的拓扑先验,并协调特征选择与超参数调优,以抑制DFL引起的跨层振荡。
为应对这些需求,我们提出了拓扑引导海象优化器与动态跨层协作(TGWO-DCC),这是一个用于进化特征选择和协同超参数优化的集成框架。TGWO-DCC采用海象优化器(WO)作为轻量级群体搜索骨干,并通过整合最大相关最小冗余(mRMR)准则[19]、改进的离散化映射和自适应冗余惩罚,开发了其拓扑引导变体TGWO。TGWO还保留了有向精英对立学习(EOBL)作为一种可选的守护算子,仅在搜索停滞时激活以恢复搜索。这些组件共同引导搜索趋向判别性强且非冗余的特征子集。在此基础上,动态跨层协作机制(DCCM)通过共生记忆和状态感知干预,实现超参数调优与TGWO特征搜索之间的信息交换,从而抑制无效探索并减少跨层振荡。
主要贡献总结如下:
  • •
    我们为边缘IDS构建了一种拓扑引导的离散特征搜索机制。不同于仅将特征相关性用作静态初始化启发式,TGWO将特征拓扑嵌入到群体初始化、迁移引导、冗余控制和有守护的停滞响应中,从而使连续WO搜索过程在高维二元特征空间中具有显式的结构方向。
  • •
    我们提出了DCCM,一种面向DFL下特征选择与超参数调优联合优化的状态感知跨层协调机制。通过维持共生记忆并激活分支潜力和停滞感知干预,DCCM将两个优化层耦合为协作搜索过程,减少冗余探索。其有效性通过与串行和静态双层替代方案的对比进行评估,同时也考虑了相关的离线优化成本。
  • •
    我们建立了TGWO-DCC在检测质量、特征紧凑性、优化成本和部署效率方面的面向边缘评估。数据集实验与Raspberry Pi 4B在基线和受限运行时配置下的部署相结合,表明TGWO-DCC在降低输入维度的同时,在测试配置下保持了具有竞争力的检测性能。
本文其余部分组织如下。第2节回顾了入侵检测、特征选择和联合优化方面的相关工作。第3节介绍了TGWO、DCCM和TGWO-DCC框架的设计。第4节描述了实验设置、统一评估设置和结果分析。第5节对论文进行总结并讨论了未来研究方向。

章节摘要

相关工作

在高维IoT和IIoT流量环境中,特征选择仍然是减少输入冗余、控制训练开销和提高检测性能的重要手段。为此,许多现有研究采用了基于群体智能的包装式特征选择方法,以利用其在复杂搜索空间中的全局搜索能力[1],[2],[12],[14],[20]。例如,Baker和Samarneh[1]研究了IoT僵尸网络检测中的特征选择

整体架构

图1展示了所提出的用于IoT入侵检测的TGWO-DCC框架的整体架构。该框架旨在应对高维流量数据、复杂攻击模式和有限的边缘计算资源等实际挑战,其目标是为分类器识别紧凑的特征子集并确定有效的超参数配置,从而构建一个同时满足检测精度和轻量级部署需求的入侵检测模型

数据集与预处理

为系统评估所提框架在异构IoT流量和复杂网络攻击场景下的检测性能和轻量级部署潜力,我们选择了三个公开基准数据集:BoT-IoT[30]、Edge-IIoTset[31]和UNSW-NB15[32]。这些数据集涵盖了IoT僵尸网络攻击和工业边缘节点渗透等典型场景,具有高维特征空间和显著的类别不平衡特征。这些特性提供了

结论

本文针对资源受限的IoT和IIoT边缘入侵检测提出了TGWO-DCC。TGWO-DCC将拓扑引导的离散特征搜索与动态跨层协作集成在一起,使特征选择和超参数调优能够在统一的优化工作流中进行协调。在BoT-IoT、Edge-IIoTset和UNSW-NB15上的实验表明,TGWO-DCC在产生紧凑特征子集的同时实现了具有竞争力的检测性能,并保持了低

CRediT作者贡献声明

Bowei Zhang: 写作—审阅与编辑,写作—初稿撰写,验证,软件,方法论,调查,形式分析,数据管理。Ying Liu: 写作—审阅与编辑,验证,软件,方法论,形式分析,概念构思。Peng Hu: 写作—审阅与编辑,指导,资源,项目管理,概念构思。Tianjiao Ni: 写作—审阅与编辑,验证,指导,形式分析。Laishui Lv: 指导,资源,资金支持

关于论文准备过程中生成式AI和AI辅助技术的声明

在准备本作品过程中,作者使用了ChatGPT来提高语言可读性和语法正确性。在使用该工具后,作者对内容进行了审阅和编辑,并对出版内容的全部责任负责。

利益冲突声明

作者声明他们没有任何已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

致谢

本工作部分由国家自然科学基金资助,资助号62306010,以及浙江省自然科学基金资助,资助号LQN25F030002。
Bowei Zhang|Ying Liu|Peng Hu|Tianjiao Ni|Laishui Lv|Liangchen Hu|Kaizhong Zuo|Fulong Chen
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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