论文页面 - 轻量级入侵检测模型在IIoT网络中的跨域泛化失败

来源：https://huggingface.co/papers/2607.00553

摘要

面向IIoT入侵检测的轻量级机器学习模型，由于依赖粗粒度的端口类别特征和不平衡的类别分布，在跨网络场景下泛化能力有限；其对抗鲁棒性与跨网络性能并不相关。

轻量级机器学习模型因适用于资源受限的边缘部署 (https://huggingface.co/papers?q=edge%20deployment)，越来越多地被用于工业物联网 (https://huggingface.co/papers?q=Industrial%20Internet%20of%20Things) (IIoT) 网络的入侵检测 (https://huggingface.co/papers?q=intrusion%20detection)。大部分已报告的结果仅在这些模型的训练网络内进行评估，而未验证其在未见网络上的行为。本研究在其中一个IIoT数据集上训练了四种轻量级架构，然后在不重新训练的情况下，使用一种仅限于三个数据源均具备的属性集合的特征表示 (https://huggingface.co/papers?q=feature%20representation)，在另外两个结构不同的IIoT数据集上对它们进行了评估。对两个表现最佳的模型进行的可解释性分析 (https://huggingface.co/papers?q=Explainability%20analysis) 显示，两者都极其依赖粗粒度的端口类别特征；最具影响力的类别在源域的攻击流量中出现的频率，是其在两个目标域中频率的96到435倍，这表明粗化端口分辨率只是转移而非消除了已知的捷径。在自然不平衡的类别分布下进行评估揭示了一个进一步的影响：所使用的评估协议可能逆转哪个目标网络看起来构成更大的泛化挑战。本研究还评估了对抗鲁棒性 (https://huggingface.co/papers?q=Adversarial%20robustness) 以及通过有限的目标域暴露来恢复的能力；对对抗扰动的鲁棒性与跨网络泛化无关，并且通过自适应恢复的效果因架构而异。这些发现表明，部署就绪性应通过现实类别分布下的跨网络评估 (https://huggingface.co/papers?q=cross-network%20evaluation) 来评估，而非仅依赖域内准确率。

查看 arXiv 页面 (https://arxiv.org/abs/2607.00553)查看 PDF (https://arxiv.org/pdf/2607.00553)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.00553)

在您的代理中获取此论文：

hf papers read 2607.00553

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有与此论文链接的模型

请在模型 README.md 中引用 arxiv.org/abs/2607.00553 以从此页面链接。

引用此论文的数据集0

没有与此论文链接的数据集

请在数据集 README.md 中引用 arxiv.org/abs/2607.00553 以从此页面链接。

引用此论文的 Spaces0

没有与此论文链接的 Space

请在 Space README.md 中引用 arxiv.org/abs/2607.00553 以从此页面链接。

包含此论文的收藏集0

没有包含此论文的收藏集

将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 以从此页面链接。