入侵检测把逻辑规则织进神经网络：每类攻击只用少量标注包，误报率从0.075降到0.001
核心概要
DeepWeave把可解释的逻辑规则与神经网络预测放进同一个概率推理程序，让两者作为可能冲突的两路证据共同决定告警。此前基于机器学习的入侵检测依赖大量标注攻击流量，部署环境一变性能就下降，且难以给出可供分析员核查的依据。在每类攻击仅有少量标注包观测时，采用Anchored耦合的DeepWeave相对匹配的神经基线把宏F1最多提高34.5%，并把攻击误报率从0.075降到0.001。
深度剖析
入侵检测系统现在可以把符号规则和神经网络预测当作两路独立证据，在同一个概率逻辑程序里合成最终判定，而不是让规则只做事后解释或只做预处理。 此前的神经符号入侵检测探索只覆盖有限的符号知识与推理范围，既没有系统化的规则构造与验证流程，也没有处理神经与符号证据冲突的原则性机制。 在包级视图、每类攻击仅少量标注包的设定下，Anchored耦合相对使用相同分类器的神经基线把宏F1最多提高34.5%，并把攻击误报率从0.075降到0.001。
规则不是手工写的签名库，而是从带标签流量中自动挖掘、在独立验证流量上筛选并赋予角色，再按角色决定它能多大程度左右判定。 签名引擎的规则需要专家编写和维护，环境相关的假设会带来误报或漏掉未见变种；纯学习模型则把攻击知识隐式埋在参数里。 规则提议与验证使用互不重叠的流量划分，且这部分流量既不属于训练集也不属于测试集；在CIC-IDS2017的五个训练重复中，DeepWeave对同一批观测选出相同获胜规则的比例高于Integrated Gradients和SHAP选出相同首要特征的比例。
每次告警都附带一条证明路径，列出被满足的谓词、规则及其角色，解释来自推理过程本身而非事后归因。 事后解释方法在推理结束后再关联影响特征，未必对应产生决策的实际推理过程。 在删除式保真度评估中，移除DeepWeave的完整解释后原预测类别的概率保留量低于移除Integrated Gradients或SHAP最高排名特征后的保留量，且其解释平均包含的条件数更少。
启示与展望
评估覆盖CIC-IDS2017流视图、NF-CSE-CIC-IDS2018-v3包与混合视图，以及从企业网络向NF-ToN-IoT-v3物联网环境的迁移；对抗扰动实验在CIC-IDS2017流视图上按PANTS建模的攻击者能力直接修改流特征完成。这些结果说明的是DeepWeave在被评估环境中的行为，而不是在真实运营网络中的普遍优越性。
标签效率结果假设当前标签有限、由历史符号知识补充，而非规则发现与神经训练获得同等信息预算；证明虽忠实于推理，但尚未证明能改善分析员的判断或缩短调查时间；推理包含 grounding、谓词求值与符号求解，因此慢于优化过的机器学习分类器，线速部署可能需要并行化或轻量筛查。