An Explainable AutoML-Driven Meta-Learning Scheme for Intrusion Prevention in Zero-Touch Networks Within Carbon Intelligent IIoT
Notice bibliographique
Résumé
Carbon Intelligent Industrial Internet of Things (IIoT) systems are critical for achieving sustainable industrial automation but face challenges such as scalability, operational complexity, and security vulnerabilities. Zero-Touch Networks (ZTN), with their autonomous management capabilities, offer solutions to operational challenges but remain vulnerable to sophisticated cyber intrusions due to their high level of autonomy and interconnectedness. While Artificial Intelligence (AI), especially Deep Learning (DL), shows potential in intrusion detection, current approaches often encounter obstacles such as insufficient datasets, challenges in automated data preprocessing, and a lack of transparency. This paper introduces an AutoML-enabled Meta Learning-based Intrusion Prevention Scheme designed specifically for ZTN within Carbon Intelligent IIoT. The proposed framework integrates AutoML and meta-learning to streamline data preprocessing and improve model adaptability in dynamic and evolving threat environments. To ensure transparency, an Integrated Gradient-based Explainable AI (XAI) mechanism is employed, offering insights into the impact of individual features on model predictions, thereby addressing concerns related to trust and accountability in industrial applications. Experimental evaluations demonstrate the framework’s effectiveness in enhancing intrusion prevention, bolstering security, and improving transparency for ZTN in carbon intelligent IIoT, providing a comprehensive solution to prevailing challenges.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».