入侵检测不再只靠统计相关：因果图加熵压缩，78维流量压到18维，准确率97.4%
核心概要
一个把因果图、熵压缩、注意力融合、对抗校准和联邦聚合串成一条流水线的入侵检测框架，在CICIDS2017上把检测准确率做到97.4%，同时把输入特征从78维压到18维。
深度剖析
入侵检测的五个环节被接成一条共享状态的流水线，因果图约束压缩、压缩结果约束融合、对抗校准结果进入联邦信任权重。 此前规则匹配、表示学习和联邦方法多各自独立训练，再在输出端拼接，无法判断保留下来的流量属性关系是否仍具因果性。 在CICIDS2017、UNSW-NB15和IoT-23三个公开流量数据集上，按会话、捕获日和流族分组划分训练与测试，并用十个随机种子重复评估。
因果签名学习引擎先筛出带时间先后的流量变量依赖，再交给熵引导压缩网络压成固定宽度编码，最后由注意力融合器把规则、时序和学到的证据合成一个判断。 压缩不再只按标签相关性排序，而是用标签信息量除以该维度自身的不确定性来打分，并叠加因果中心性与伪边风险。 在CICIDS2017上，完整五模块配置的准确率为97.4%、F1为96.4%、平均推理延迟18.6毫秒；去掉因果模块后准确率降到93.1%。
启示与展望
这套框架面向安全运营中心、工业物联网网关和分布式企业环境，在CICIDS2017、UNSW-NB15和IoT-23三个公开数据集上完成了评估，覆盖检测质量、特征效率、对抗稳定性和联邦通信成本。作者提出下一步将用CICIoT2023、Edge IIoTset和加密骨干流量做第二层验证，并通过留一攻击族、时间漂移和跨数据集迁移来考察未见攻击。
从观测流量中构建因果图只能给出保守的因果一致性判断，不能从观测数据确定因果关系。数值结果目前只覆盖三个数据集，加密流量、云原生服务和快速变异的物联网恶意软件仍需另行验证。联邦同步在客户端高度异构时存在通信开销与可用性约束，安全聚合未给出形式化差分隐私预算。对抗校准只覆盖有限的特征空间攻击策略，可选的大语言模型分支还会带来隐私、幻觉和可复现性方面的额外成本。