魏明锐

(安徽农业大学经济技术学院，安徽合肥 230011)

0 引言

物联网是一个由互联设备组成的生态系统，每个设备都嵌入了计算工具，如传感器或处理单元，以通过互联网收集、存储和交换数据[1].然而，保护物联网网络安全已经成为实施此类网络的主要挑战之一[2].网络入侵检测系统(NIDS)旨在保护数字物联网网络免受网络威胁[3].传统NIDS旨在分析传入的流量特征，并将它们与已知的攻击特征之一进行匹配.这种方法对已知的攻击具有很高的检测精度，但是它无法检测到物联网网络中看不见的威胁，即零日攻击.因此，研究人员应用新兴的机器学习技术来学习和检测网络流量的有害模式，以检测入侵[4].在这一领域已经进行了大量的学术研究，开发了许多基于机器学习的NIDS算法，当应用于某些数据集时，大多达到了较高的检测精度.然而，这种系统在网络中的实际部署数量非常少[5].主要原因是缺乏对基于机器学习的内部NIDS操作的理解[6]和不可靠的评估方法[7].目前，基于机器学习的网络入侵检测系统是作为一个复杂的“黑盒”提供的，它在某些数据集上取得了很好的检测结果.机器学习模型的复杂性使得它们很难解释所做预测背后的基本原理.因此，在入侵检测等高度敏感的领域，组织不愿意相信机器学习决策[6].因此，可解释的人工智能方法被应用于现代系统，以解释和解释机器学习模型所做的决定.通过理解和修改影响模型决策的……