基于特征选择的可解释型物联网入侵检测模型

高度异构的物联网设备产生的流量数据,在基于多时间粒度采集时虽然能够提升物联网入侵检测模型(IDS)的准确性,但也会造成特征冗余。与此同时,当下IDS的评估指标主要以结果为导向,忽视对IDS决策过程的解释。针对以上不足,提出基于特征选择的可解释的物联网IDS。首先,采用以轻量级梯度提升机为基分类器的交叉验证递归特征消除法,降低流量特征值冗余;其次,使用SHapley Additive exPlanations(SHAP)算法全局解释特征选择,辅助决策;最后,将机器学习用于入侵检测模型。采用N-BaIoT数据集中5种物联网设备的流量数据进行实验验证,通过特征选择把原有的基于5个时间粒度的115个特征提取到不到20个(仅为原来的17.37%),与主成分分析特征降维法相比准确度和F1值更高。结果表明,该方法能够解决特征冗余和增强模型可解释性,进而提高模型准确率,降低模型训练时间。