从云端到边缘：基于深度学习的物联网网络入侵检测技术
 
摘要：物联网设备的资源受限特性与攻击面的持续扩大，使传统入侵检测技术在物联网场景中面临结构性适配困难。本文围绕深度学习在物联网入侵检测中的应用，分析了物联网环境下检测任务的特殊挑战，从模型架构设计、数据集与评估方法、边缘部署路径三个维度梳理了技术进展。研究表明，CNN与LSTM类模型在2025年的研究中占据主导地位，CNN-DNN混合模型在Edge-IIoTset数据集上达到99.8%的准确率，轻量化MLP模型以不足1500个可训练参数实现96.7%的检测精度。但高精度指标背后存在一个值得警惕的落差：22篇2025年发表的研究中仅有一项在真实环境中进行了测试，两项评估了低资源设备上的性能。边缘部署的可行性、数据集的真实性和模型的可解释性，构成了当前研究从实验室走向工业现场的三重障碍。
 
关键词：物联网安全；入侵检测；深度学习；边缘计算；轻量化模型
 
 
 一、引言
 
物联网设备的增长速度和部署密度，正在改变网络安全的攻防格局。从工业传感器到智能家居终端，数十亿台设备以异构协议互联互通，构成了一张庞大而脆弱的攻击面。这些设备的设计初衷是“连接”和“感知”，而非“防御”——它们通常缺乏足够的计算资源来运行传统的安全软件，也缺乏标准化的安全更新机制。这意味着，一旦攻击者突破某台物联网设备的防线，横向移动和规模化控制的技术门槛极低。从企业安全管理的视角来看，这种“单点失陷、全网受损”的风险特征，对网络安全防护体系的响应速度提出了更高要求。
 
传统入侵检测系统依赖特征匹配和规则定义来识别攻击行为，其有效性建立在“攻击模式可穷举”的假设之上。但物联网网络的动态性和异构性使这一假设难以成立：通信协议多样化（MQTT、CoAP、ZigBee等）、设备行为模式差异巨大、固件更新滞后导致的已知漏洞长期暴露，都使得基于固定规则的检测系统力不从心。深度学习技术因其自动特征提取和非线性模式识别能力，被视为应对上述挑战的核心技术路径。周品希等人在综述中指出，基于深度学习的模型在检测精度和实时性能上均优于传统方法，在处理空间特征和捕获时序依赖方面表现突出。
 
本文试图回答的核心问题包括：物联网场景对入侵检测技术提出了哪些区别于传统网络的特殊要求？当前深度学习模型在这一场景中的技术进展和性能表现如何？从实验室验证到工业部署之间存在哪些尚未弥合的差距？
 
 
 二、物联网入侵检测的特殊挑战
 
 （一）资源约束与检测精度的张力
 
中国企业经营管理知识仓库物联网设备的计算资源、存储容量和电池寿命构成了入侵检测系统设计的三重约束。在传统IT网络中，入侵检测系统通常部署在服务器或专用硬件上，拥有充足的计算能力和电力供应。但在物联网场景中，检测系统可能需要运行在单片机上，其内存可能仅有几十KB，处理器主频不过百兆赫兹级别。这意味着，动辄包含数百万参数的深度学习模型无法直接部署在物联网终端上。
 
资源约束对检测精度的影响是直接的：模型越小，特征提取能力越弱；特征越少，对复杂攻击的辨识能力越有限。如何在“足够小”和“足够准”之间找到平衡点，是物联网入侵检测技术设计的核心矛盾。
 
 （二）数据分布的极端不平衡
 
物联网网络流量的分布特征与通用网络存在显著差异。在大多数物联网部署中，正常流量占据绝对主导地位，攻击流量往往是“大海中的一滴水”。一项针对5G核心网漫游场景的研究显示，正常流量占总样本的82.5%，而TLS入侵攻击仅占0.2%。在这种极端不平衡的数据分布下，模型如果单纯追求总体准确率，可以通过“全部判定为正常”获得82.5%的“高精度”——但这显然不是有效的检测。
 
不平衡数据带来的另一个问题是“少数类攻击的检测困难”。模型在训练过程中被多数类样本主导，对少数类攻击的特征学习不充分，导致这些攻击类型在实际运行中的漏报率居高不下。有研究在分析MLP模型的表现时发现，虽然总体准确率达到99.65%，但平衡准确率（BACC）仅为84.21%，说明模型在少数类攻击上的检测能力严重不足。
 
 （三）攻击模式的持续演化
 
物联网网络的攻击模式处于持续演化之中。攻击者会针对检测系统的特征不断调整策略：通过流量伪装降低特征的异常度、通过低速慢速攻击规避基于速率阈值的检测、通过分布式协同攻击分散检测系统的注意力。这意味着，基于历史数据训练的检测模型面临“概念漂移”的风险——模型在训练集上表现优异，但在面对新出现的攻击模式时可能迅速失效。
 
这一问题的根源在于有监督学习范式的固有局限：模型学习的是训练数据中“已知的”攻击模式，对“未知的”攻击模式缺乏泛化能力。无监督学习和集成方法在一定程度上缓解了这一问题，但尚未从根本上解决。
 
 
 三、深度学习模型架构与技术进展
 
 （一）CNN与LSTM的主导地位
 
2025年发表的研究中，CNN和LSTM类架构占据主导地位。一项基于PRISMA方法的系统综述显示，在筛选的1822篇文献中，最终纳入分析的22项研究的模型架构呈现出明显的集中趋势：CNN类模型和LSTM类模型构成了主流，混合架构的使用也较为常见。
 
CNN在入侵检测中的优势在于其空间特征提取能力。网络流量数据可以被组织为二维矩阵（特征维度×时间窗口），CNN的卷积核能够自动学习局部特征模式，如特定端口号的访问模式、特定协议标志位的组合模式等。LSTM的优势则在于时序依赖建模：网络流量的许多异常特征体现在时序关系中，例如短时间内的大量连接请求（DDoS的前兆）、异常的会话持续时间分布等。
 
CNN-DNN混合模型在Edge-IIoTset数据集上的表现值得关注。该模型以CNN作为特征提取器，以DNN作为分类器，在包含15类攻击的工业物联网流量数据集上实现了99.8%的准确率和99.99%的ROC-AUC。但需要指出的是，这一结果是在经过严格的类别平衡处理（in-fold SMOTE、类别加权损失、分层交叉验证）后获得的，原始数据集的分布特征被显著修改。
 
 （二）Transformer架构的适用性评估
 
Transformer架构在自然语言处理领域的成功引发了将其引入入侵检测领域的探索。自注意力机制理论上能够捕捉流量序列中任意位置之间的关联，不依赖于固定的滑动窗口。然而，在物联网场景中，Transformer的适用性面临两个现实制约。
 
第一是计算开销。一项对比研究显示，Transformer在NSL-KDD数据集上的准确率（71.22%）仅略高于CNN（70.73%），但训练时间是CNN的8.7倍（1761秒对203秒）。对于需要快速迭代和边缘部署的物联网检测任务而言，这一效率差距是不利的。
 
第二是数据规模需求。Transformer的自注意力机制需要大量数据来学习有效的注意力模式，而物联网入侵检测的数据集通常规模有限，且攻击样本稀缺。在小样本条件下，Transformer的表现往往不如结构更简洁的CNN或LSTM。
 
 （三）轻量化模型的设计策略
 
面对边缘部署的现实需求，轻量化模型的设计成为近年来的研究热点。轻量化的技术路径主要有三条。
 
特征选择降维是最直接的策略。AWID3数据集上的研究表明，通过预处理和特征选择将原始154个特征降至22个高信息量属性后，一个三层的MLP（可训练参数不足1500个）即可达到96.7%的准确率，宏精确率97.1%、宏召回率94.6%。这一结果说明，原始数据中的大量特征存在冗余，精准的特征筛选可以在大幅降低模型复杂度的同时保持检测性能。
 
模型架构精简是第二条路径。基于Autoencoder的协作式入侵检测架构在ESP32微控制器上运行，内存占用仅12.7KB，消耗的SRAM不到可用容量的2.4%，推理延迟3毫秒，F值达到98.5%。该架构的核心设计是“集中训练、分布推理”：模型训练在云端完成，训练好的自编码器模型被部署到每个边缘设备上，设备仅执行前向推理和本地异常判断。多设备之间通过UDP多播交换预测结果，通过协同验证来识别被攻陷的节点。
 
知识蒸馏与迁移学习是第三条路径。通过让大型教师模型的知识指导小型学生模型的训练，学生模型可以在参数量大幅缩减的条件下保持接近教师模型的检测精度。在联邦学习框架下，轻量化学生模型（如简化版CNN-LSTM）被装载在资源受限的边缘设备中，利用局部知识蒸馏和参数空间蒸馏聚合的方式，在保证检测精度的同时显著降低计算负载。
 
 
 四、数据集与实验评估
 
 （一）常用数据集的特征与局限
 
物联网入侵检测研究中的数据集选择直接影响模型评估结果的可靠性。当前使用最广泛的三个数据集是N-BaIoT、UNSW-NB15和BoT-IoT。
 
N-BaIoT数据集包含超过700万条时间序列记录，每条记录有115个统计特征，数据来自9台商用物联网设备在Wi-Fi网络中的真实流量，涵盖了Mirai和BASHLITE两种僵尸网络家族的10种攻击。该数据集的优势在于其“真实性”——数据来自真实设备而非仿真环境。但其局限在于攻击类型相对单一，主要覆盖僵尸网络相关的攻击行为。
 
UNSW-NB15数据集包含约254万条记录和49个特征，由Argus和Bro-IDS工具从网络流量中提取，涵盖9种攻击类型。该数据集被认为更具挑战性，因为其攻击类别之间存在重叠，类内变异性较大，良性流量和恶意流量的特征空间距离较近。这一特征使其成为评估模型泛化能力的有效基准。
 
BoT-IoT数据集专门面向物联网僵尸网络攻击场景，包含DDoS、DoS、侦察攻击和盗窃攻击等多种类型。
 
 （二）性能评估中的关键问题
 
当前研究在性能评估方面存在一个值得关注的方法论问题：总体准确率被过度强调，而类别不平衡条件下的真实检测能力被掩盖。
 
前述5G漫游安全研究提供了对这一问题的清晰揭示。在该研究中，六种深度学习模型（MLP、1D-CNN、Autoencoder、RNN、GRU、LSTM）的总体准确率均超过99%，但平衡准确率的差异巨大：MLP的BACC仅为84.21%，而LSTM达到98.26%。MLP虽然获得了最高的总体准确率，但在少数类攻击（仅占0.2%的TLS入侵）上的检测能力严重不足，其混淆矩阵显示大部分误分类集中在少数类攻击类别上。
 
这一发现的方法论意义在于：在高度不平衡的数据集上，总体准确率不是可靠的模型性能指标。宏平均F1分数和平衡准确率更能反映模型在不同类别上的均衡表现。从工程实践的角度看，一个在多数类样本上“安全”但在少数类攻击上“失明”的模型，其实际安全价值是有限的——攻击者恰恰会选择那些检测系统最不擅长的攻击类型。
 
 （三）新兴数据集的探索
 
数据集的质量直接决定了模型评估的可信度。针对现有数据集在真实性和覆盖面方面的不足，近年出现了若干值得关注的新数据集。
 
ASEADOS-SDN-IoT数据集针对SDN与IoT融合环境设计，包含457,044条标记流实例和83个统计特征，覆盖DoS、DDoS、Probe和Botnet四类攻击，同时捕获了SDN控制平面和数据平面的交互信息。该数据集的创新之处在于将SDN控制器的遥测数据纳入了特征空间，使检测模型能够利用控制平面的信息来辅助判断数据平面的异常。
 
IoT-SFC数据集则聚焦于IoT/IIoT环境中的标记网络流量，支持二分类和多分类攻击检测任务，数据以Mendeley Data格式公开发布。
 
边缘计算场景下的数据集建设也取得了进展。IoT-Cloud-Sec数据集专门为IoT-cloud环境的入侵检测研究设计，支持从机器学习到深度学习的多种应用场景。
 
 
 五、边缘部署的现实路径
 
 （一）从云端到边缘的架构演进
 
物联网入侵检测的部署架构正在从“云端集中处理”向“云边协同”演进。云端集中处理的优势是计算资源充裕、模型更新方便，但延迟问题在工业控制场景中难以接受。边缘部署将推理能力下沉到靠近数据源的节点，可以将检测延迟从数百毫秒降低到毫秒级。
 
联邦检测架构为云边协同提供了一种具体的实现方案。该架构将模型训练集中在云端完成，训练好的轻量化模型通过OTA方式分发到边缘设备，边缘设备执行本地推理并将异常事件上报云端。协同验证机制允许多个边缘设备通过UDP多播交换预测结果，通过共识机制来提高检测的可靠性并识别被攻陷的节点。
 
 （二）边缘设备的算力约束与适配策略
 
边缘设备的算力约束对模型设计提出了明确的技术要求。在ESP32等微控制器上运行深度学习模型，需要模型的内存占用控制在十几KB量级，推理延迟控制在毫秒级。满足这些约束的技术策略包括：模型量化（将浮点参数转换为定点表示，减少内存占用）、模型剪枝（去除对检测贡献较小的连接和神经元）、以及知识蒸馏（用大模型指导小模型训练）。
 
有研究在Raspberry Pi 4上部署了轻量化混合多模态入侵检测模型，在二分类任务上达到98.51%的准确率，多分类任务上达到88.41%。Raspberry Pi 4的算力远高于典型物联网微控制器，这一结果说明边缘部署的可行性边界取决于目标硬件的具体规格。
 
 （三）工业部署的可行性评估
 
将入侵检测系统从实验室推广到工业现场，需要面对的不仅是技术问题。一项系统综述揭示了一个令人警醒的数据：在22篇2025年发表的深度学习物联网入侵检测研究中，仅有一项在真实环境中进行了测试，两项评估了低资源设备上的性能。这意味着，绝大多数研究的“高精度”结果是在受控的实验环境中获得的，其在实际工业网络中的表现是未知的。
 
工业部署面临的额外挑战包括：与现有工业控制系统的兼容性、误报率对生产效率的潜在影响、以及检测系统自身的维护和更新。在工业环境中，一个误报率为1%的检测系统，在每天数万条流量的规模下可能产生数百次误报警，这对运维人员的响应能力构成巨大压力。降低误报率与提高检测率之间的权衡，是工业部署中需要优先考虑的问题。
 
 
 六、挑战与展望
 
综合当前研究进展，基于深度学习的物联网入侵检测技术面临三个结构性挑战。
 
第一，数据真实性与模型泛化能力之间的落差。 大多数研究在受控数据集上取得了高精度结果，但这些数据集本身可能无法充分代表工业物联网的流量特征。UNSW-NB15的AUC-ROC在联邦学习框架下仅为78.66%，而N-BaIoT和CICIDS2017的AUC-ROC分别达到96.99%和97.95%，这一差距说明真实校园或工业网络数据的复杂性远高于基准数据集。弥合这一落差需要更多的真实环境测试和跨数据集的泛化验证。
 
第二，可解释性与检测精度之间的权衡。 深度学习模型的“黑箱”特性在安全领域尤为敏感。当系统发出入侵告警时，运维人员需要理解“为什么判定为攻击”才能做出有效的响应决策。基于自注意力的可解释AI框架通过注意力权重可视化来揭示模型的决策依据，但这方面的研究仍处于早期阶段。
 
第三，持续学习与概念漂移的应对。 物联网网络中的攻击模式处于持续演化之中，模型需要具备在线更新和持续学习的能力。联邦学习框架支持在不共享原始数据的前提下实现模型的协同更新，但持续学习过程中的“灾难性遗忘”问题——模型在学习新攻击模式时遗忘旧模式——仍是未解决的难题。
 
 
 七、结语
 
从云端到边缘的架构演进，是物联网入侵检测技术发展的一个缩影。CNN-DNN混合模型在Edge-IIoTset上99.8%的准确率、轻量化MLP在AWID3上96.7%的精度、自编码器在ESP32上12.7KB的内存占用——这些数字描绘了技术进步的轨迹。但数字背后的方法论问题同样值得正视：22篇2025年的研究中仅有一项进行了真实环境测试，这一比例揭示出该领域在“实验室有效性”和“工业可用性”之间的巨大鸿沟。
 
从企业安全管理的角度来看，物联网入侵检测技术的价值最终体现在降低安全事件的发生概率和响应时间上。在这一价值链条中，检测模型的精度只是其中一个环节，报警的准确性、响应的自动化程度、以及系统与现有安全运营流程的整合能力，同样决定着技术方案的实际效果。从企业经营管理知识仓库中关于安全投入产出效益的研究视角来看，入侵检测系统的部署决策需要综合考虑检测性能、部署成本和运维负担，而非单纯追求算法指标的最优。
 
从班组天地所关注的基层安全实践视角来看，物联网入侵检测系统的最终用户是一线的运维人员。一个“高精度”但频繁产生误报的系统，可能比一个“中等精度”但稳定可靠的系统给基层班组带来更大的困扰。技术方案的设计需要充分考虑基层使用者的操作习惯和响应能力，避免因过度追求算法的先进性而牺牲了系统的实用性和可维护性。
 
未来的研究方向应当是明确的：从“追求基准数据集上的最高精度”转向“构建在真实工业环境中可靠运行的系统”。这一转向需要研究者在方法论上做出调整——更多地开展实地部署测试，更多地关注误报率而非准确率，更多地考虑边缘设备的实际算力约束而非理论上的可行性。当入侵检测技术真正能够在物联网设备的“资源荒漠”中稳定运行时，物联网安全防护体系的基石才算真正奠定。
 
 
参考文献：
 
[1] 周品希，沈岳，李伟. 基于深度学习的物联网入侵检测系统综述[J]. 网络安全与数据治理，2025，44(6)：1-10.
 
[2] Elshewey A M. An enhanced approach for edge-based intrusion detection based on a hybrid deep learning model CNN-DNN[J]. SN Computer Science，2026.
 
[3] Deep learning approaches for intrusion detection in IoT environments: a systematic literature review[C]//IEEE Conference，2026.