An Explainable Deep Learning System for Cyberattack Detection in Internet of Energy Networks
Notice bibliographique
Résumé
The integration of smart devices and real-time analytics in the Internet of Energy (IoE) has enabled intelligent, data-driven energy systems but also introduced cybersecurity concerns. Addressing these concerns requires detection mechanisms that are not only accurate but also interpretable. This article proposes an explainable deep learning system, named E-SHIELD, designed to detect various cyberattacks in IoE networks. The system uses a hybrid Convolutional Neural Network—Long-Short-Term Memory (CNN-LSTM) architecture to learn both spatial correlations and temporal dependencies from network traffic data. The architecture is optimized for resource-constrained environments by using compact filters, dropout regularization, and low learning rates. E-SHIELD is evaluated using two benchmark datasets, WUSTL-IIoT-2021 and CICIoT-2023, which contain diverse real-world attack scenarios such as Denial of Service (DoS), Distributed DDoS, Mirai variants, and fuzzing attacks. To ensure transparency, SHAP (SHapley Additive exPlanations) is integrated to provide both global and local interpretability of the model’s predictions. A user dashboard has been developed to support human-in-the-loop monitoring, allowing users to analyze predictions, feature importance, and risk levels in real-time. Experimental results show that the E-SHIELD system achieves high accuracy compared to existing CNN, LSTM, and ensemble-based models. By combining robust detection capabilities with interpretable AI, E-SHIELD supports secure and trustworthy deployment in mission-critical energy systems.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».