arXiv cs.AI· Nelly Elsayed·· 13 小时前AI 评分18
面向资源受限场景的 IoT DDoS 检测迁移学习模型可解释性评估
Explainability-Aware Evaluation of Transfer Learning Models for IoT DDoS Detection Under Resource Constraints
AI 导读
一项研究对 7 种预训练卷积神经网络架构在 CICDDoS2019 数据集上进行多类 IoT DDoS 检测的可解释性感知实证评估，结合性能指标、MCC、Youden Index、置信区间、延迟与训练成本，并用 Grad-CAM 和 SHAP 评估可解释性。
正文 · AI 翻译
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，在资源受限的部署条件下尤为突出。尽管迁移学习模型已展现出可观的检测准确率，但其在运行环境中的可靠性、计算可行性以及可解释性仍缺乏充分探索。本研究基于 CICDDoS2019 数据集和基于图像的流量表示，对七种预训练卷积神经网络架构用于多类 IoT DDoS 检测进行了可解释性感知的实证评估。分析整合了性能指标、面向可靠性的统计量（MCC、Youden 指数、置信区间）、延迟与训练成本评估，以及使用 Grad-CAM 和 SHAP 的可解释性评估。结果表明，基于 DenseNet 和 MobileNet 的架构在实现较强检测性能的同时，展现出更优的可靠性和紧凑、类别一致的归因模式。DenseNet169 在可靠性与可解释性的一致性上表现最佳，而 MobileNetV3 为雾层部署提供了有效的延迟-准确率权衡。研究结果强调了在为 IoT DDoS 检测选择深度学习模型时，结合性能、可靠性和可解释性标准的重要性。
| 评论： | 包含若干修正的更新版本，增加了更多说明，并更正了正文和参考文献中的拼写错误 |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2602.22488 [cs.CR] |
| （或 arXiv:2602.22488v2 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2602.22488 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Nelly Elsayed [查看电子邮件]
[v1]
2026年2月25日 星期三 23:56:11 UTC（3,003 KB）
[v2]
2026年10月29日 星期四 03:31:36 UTC（2,670 KB）
来源：arXiv cs.AI · arxiv.org