资源受限条件下物联网DDoS检测迁移学习模型的可解释性评估

Arxiv：2602.22488v2公告类型：替换-交叉摘要：分布式拒绝服务(DDoS)攻击威胁物联网(IoT)基础设施的可用性，特别是在资源受限的部署条件下。尽管迁移学习模型已显示出良好的检测精度，但其可靠性、计算可行性和在操作环境中的可解释性仍未得到充分研究。这项研究使用CICDDoS2019数据集和基于图像的流量表示，对七种预先训练的卷积神经网络结构进行了可解释性的经验评估，用于多类物联网DDoS检测。该分析集成了性能度量、面向可靠性的统计(MCC、Youden指数、可信区间)、延迟和培训成本评估，以及使用Grad-CAM和Shap的可解释性评估。结果表明，基于DenseNet和MobileNet的体系结构在表现出卓越的可靠性和紧凑的、类一致的属性模式的同时，具有很强的检测性能。DenseNet169提供了最强的可靠性和可解释性一致性，而MobileNetV3为雾级部署提供了有效的延迟和准确性折衷。研究结果强调了在选择物联网DDoS检测的深度学习模型时结合性能、可靠性和可解释性标准的重要性。