一种用于物联网环境中入侵检测的可解释多模态时间深度学习框架（EMT-IDNet）

《Scientific Reports》：An explainable multimodal temporal deep learning framework for intrusion detection (EMT-IDNet) in IoT environments

　　

摘要

物联网（IoT）生态系统的高速发展带来了严重的安全问题，这主要是由于设备的多样性、网络行为的动态性以及缺乏内置的安全特性所致。传统的入侵检测系统（IDS）无法检测针对IoT系统的多阶段攻击，其主要原因在于这些系统仅使用单一模式的信息，并且这些应用在时间建模方面表现较差。本文旨在通过提出一种可解释的多模态时间深度学习入侵检测框架（EMT-IDNet）来克服这些不足。该模型结合了来自不同数据源的网络流量、主机操作系统日志以及IoT遥测数据，利用特定于模式的编码器和基于跨模态注意力的融合模块进行处理。时间注意力模块能够捕捉到最终的攻击序列，并识别与恶意行为相关的关键时间点。此外，基于注意力的分层多层感知器（TA-MLP）分类器能够高效且可解释地识别二进制和多类入侵行为，这一点通过注意力权重的可视化得到了验证。在TON-IoT数据上的实证测试表明，EMT-IDNet在二分类任务上的准确率为99.98%，精确率为99.99%，召回率为99.97%，F1分数为99.98%，AUC值为0.9999。该框架提供了重要的时间层面和模式层面的解释能力，从而提高了实际应用在真实世界物联网安全中的可信度和实用性。