💻 computer science

Carbon-Aware Intrusion Detection: A Comparative Study of Supervised and Unsupervised DRL for Sustainable IoT Edge Gateways

Dit artikel stelt twee nieuwe op Deep Reinforcement Learning gebaseerde Inbraakdetectiesystemen voor en evalueert deze, DeepEdgeIDS en AutoDRL-IDS, die koolstofbewuste multi-objectieve beloningsformuleringen integreren om hoge detectienauwkeurigheid en energie-efficiëntie te bereiken voor het mitigeren van DDoS-aanvallen op IoT-edgegateways met beperkte middelen.

Oorspronkelijke auteurs: Saeid Jamshidi, Foutse Khomh, Kawser Wazed Nafi, Amin Nikanjam, Samira Keivanpour, Omar Abdul-Wahab, Martine Bellaiche

Gepubliceerd 2026-05-21

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Saeid Jamshidi, Foutse Khomh, Kawser Wazed Nafi, Amin Nikanjam, Samira Keivanpour, Omar Abdul-Wahab, Martine Bellaiche

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: De "Slimme Stad" Beschermen zonder de Planeet te Verbranden

Stel je het Internet of Things (IoT) voor als een enorme, bruisende stad waar miljarden slimme apparaten (zoals thermostaten, camera's en sensoren) voortdurend met elkaar praten. Deze stad heeft bij elke ingang van een wijk een bewaker, een Edge Gateway.

Het artikel behandelt twee grote problemen met deze bewakers:

Ze zijn te star: Traditionele bewakers herkennen alleen criminelen die ze eerder hebben gezien (zoals op een "Gezocht"-poster). Als een crimineel opduikt met een nieuw masker (een "zero-day"-aanval), mist de bewaker ze.
Ze zijn te zwaar: De bewakers proberen zo slim te zijn dat ze batterijen opbranden en een enorme CO2-voetafdruk creëren, wat slecht is voor het milieu.

De auteurs stellen twee nieuwe soorten "Superbewakers" voor, gebaseerd op Deep Reinforcement Learning (DRL). Denk aan DRL als een bewaker die niet alleen een regelboek uit zijn hoofd leert, maar leert door de wereld te doen en te ervaren, en voortdurend beter wordt in het opsporen van problemen.

De Twee Nieuwe Bewakers: DeepEdgeIDS en AutoDRL-IDS

Het artikel introduceert twee verschillende benaderingen om deze bewakers te trainen.

1. DeepEdgeIDS: De "Intuïtieve Detective" (Ongecontroleerd)

Hoe het werkt: Stel je een detective voor die nog nooit een crimineel heeft gezien. In plaats van naar een "Gezocht"-poster te kijken, leert deze detective wat "normaal" verkeer eruitziet door een tijdje naar de stad te kijken. Ze bouwen een mentaal model van "normaal".
De Truc: Als er iets vreemds gebeurt (zoals een plotselinge stroom mensen die in één richting rennen), heeft de detective geen label nodig dat zegt "Dit is een rellen". Ze weten gewoon: "Hé, dit past niet bij het patroon!" Ze markeren het direct.
De Superkracht: Omdat ze geen vooraf geschreven lijst van misdaden nodig hebben, zijn ze ongelooflijk goed in het opsporen van hele nieuwe, onbekende aanvallen (zero-day-bedreigingen).
De Kosten: Om zo scherp te blijven, evalueert deze detective voortdurend de situatie opnieuw, wat iets meer energie en CPU-kracht kost.

2. AutoDRL-IDS: De "Vette Agent" (Gecontroleerd)

Hoe het werkt: Deze agent is getraind op een enorme bibliotheek met oude zaken waarvan de uitkomst al bekend was (gelabelde data). Ze zijn als een veteraanagent die duizenden "Gezocht"-posters heeft bestudeerd en precies weet hoe een bankovervaller eruitziet.
De Truc: Ze gebruiken een specifiek geheugeninstrument (LSTM) om de volgorde van gebeurtenissen te onthouden. Als ze een patroon zien dat overeenkomt met een bekend misdrijf, treden ze snel op.
De Superkracht: Ze zijn zeer efficiënt en stabiel. Zodra ze de regels kennen, hoeven ze niet zo hard na te denken, dus ze besparen energie en blijven koeler.
De Zwakte: Als een crimineel een volledig nieuwe methode gebruikt die niet in hun bibliotheek staat, kunnen ze het missen of langer nodig hebben om het uit te zoeken.

De "Klimaatbewuste" Twist: Het Milieuvriendelijke Beloningssysteem

Meestal geven beveiligingssystemen om maar één ding: "Heb je de boef gevangen?"

Dit artikel voegt een nieuwe regel toe aan het spel. De bewakers worden nu niet alleen beloond voor het vangen van criminelen, maar ook voor hoe efficiënt ze dat doen.

Het Scorebord: Elke keer dat de bewaker een beslissing neemt, krijgt hij punten voor het opsporen van de bedreiging, maar hij verliest punten als hij:
- Te lang doet (Latentie).
- Te veel geheugen gebruikt (RAM).
- Te veel elektriciteit verbruikt (Energie).
- Te veel CO2-vervuiling veroorzaakt.

Denk hierbij aan een computerspel waarbij je een "Gouden Ster" krijgt voor het winnen, maar als je te veel power-ups gebruikt, krijg je in plaats daarvan een "Bronzen Ster". Het systeem dwingt de AI om de slimste, groenste manier te vinden om de aanval te stoppen.

De Resultaten: Wie Won de Wedstrijd?

De onderzoekers testten beide bewakers in een echte "stad" (een fysieke testomgeving met echte routers en apparaten) onder aanval.

1. Het Vangen van de Boeven (Nauwkeurigheid):

De Intuïtieve Detective (DeepEdgeIDS) won. Ze ving 98% van de aanvallen, inclusief de lastige nieuwe. Ze reageerde sneller omdat ze niet naar een bibliotheek hoefde te kijken; ze voelde gewoon de "verkeerdheid" van het verkeer.
De Vette Agent (AutoDRL-IDS) deed het ook goed, met 94% gevangen, maar ze was iets trager in het aanpassen aan de gloednieuwe trucs.

2. De Energierekening (Duurzaamheid):

De Vette Agent (AutoDRL-IDS) was hier de winnaar. Omdat ze leunde op haar vooraf aangeleerde regels, gebruikte ze minder elektriciteit en produceerde ze minder koolstof. Ze was de "groene" keuze voor stabiele omgevingen.
De Intuïtieve Detective (DeepEdgeIDS) gebruikte meer energie. Ze moest voortdurend "nadenken" en haar brein in real-time updaten om scherp te blijven. Het artikel stelt echter dat deze extra energie het waard is voor de extra veiligheid die ze biedt tegen onbekende bedreigingen.

3. Snelheid:

DeepEdgeIDS was sneller in het nemen van beslissingen (lagere latentie) omdat ze geen lange reeksen geschiedenis hoefde te verwerken om een beslissing te nemen. Ze reageerde direct op het "vreemde".

De Conclusie

Het artikel concludeert dat er geen enkele "perfecte" bewaker is. Het hangt af van wat je nodig hebt:

Als je maximale veiligheid nodig hebt tegen onbekende, evoluerende bedreigingen en een beetje extra energie kunt missen, kies dan voor DeepEdgeIDS (De Intuïtieve Detective).
Als je maximale efficiëntie nodig hebt en je bedreigingen voornamelijk bekend zijn, kies dan voor AutoDRL-IDS (De Vette Agent).

Beide systemen bewijzen dat we slimme beveiliging voor het Internet of Things kunnen bouwen die niet alleen effectief is, maar ook om het milieu geeft door energieverbruik en CO2-uitstoot in toom te houden.

Technische Samenvatting: Koolstofbewuste Inbraakdetectie voor Duurzame IoT-Edge Gateways

Probleemstelling
De snelle uitbreiding van het Internet of Things (IoT) heeft de uitdagingen op het gebied van cyberveiligheid versterkt, met name wat betreft Distributed Denial-of-Service (DDoS)-aanvallen aan de rand van het netwerk. Traditionele Inbraakdetectiesystemen (IDS) staan voor kritieke beperkingen: ze kampen met moeite met zero-day-aanvallen door hun afhankelijkheid van statische handtekeningen, produceren vaak hoge rates van vals-positieven in op anomalieën gebaseerde modellen, en missen aanpassingsvermogen aan dynamisch verkeer. Bovendien negeren bestaande benaderingen met Deep Reinforcement Learning (DRL) voor IDS vaak duurzaamheidsfactoren. Ze houden geen rekening met de energie-efficiëntie en de koolstofvoetafdruk van Deep Learning-operaties, wat steeds kritischer wordt voor grootschalige, hulpbronnenbeperkte IoT-edge gateways. Er bestaat een onderzoekskloof in het gelijktijdig aanpakken van de dubbele uitdaging van aanpassingsvermogen (het detecteren van evoluerende bedreigingen) en duurzaamheid (het minimaliseren van de milieubelasting).

Methodologie
Het artikel stelt twee nieuwe op DRL gebaseerde IDS-architecturen voor die zijn ontworpen voor edge gateways. Beide integreren een "koolstofbewuste" multi-objectieve beloningsformulering die gezamenlijk detectieprestaties, latentie, geheugengebruik, energiekosten en geschatte koolstofemissies optimaliseert.

DeepEdgeIDS (Onbewaakt AE-DRL Hybride):
- Architectuur: Integreert een Autoencoder (AE) voor onbewaakte kenmerkextractie met een Deep Q-Network (DQN) voor adaptieve mitigatie.
- Mechanisme: De AE leert gecomprimeerde representaties van onschuldig verkeer. Anomalieën worden gedetecteerd via reconstructiefout ( $A_s$ ). Deze fout, gecombineerd met verkeersstatistieken (pakketfrequentie, SYN/ACK-aantallen), vormt de toestandsvector voor de DQN-agent.
- Leerpardigma: Werkt in een labelvrije online setting. Het vereist geen ground-truth labels voor het leren van beleidslijnen in real-time.
- Beloningsfunctie: Gebruikt feedbacksignalen die beschikbaar zijn bij implementatie, waaronder anomalie-vertrouwen (afgeleid van reconstructiefout) en stabilisatie van het verkeer na mitigatie, in plaats van ground-truth-metrics zoals detectiepercentage of percentage vals-positieven.
- Theoretische Basis: Bewezen te convergeren via de Bellman-contractie-eigenschap onder gebonden beloningen. Stabiliteit wordt gewaarborgd door Lyapunov-analyse, wat asymptotische stabiliteit garandeert onder gebonden vermogen- en koolstofbeperkingen.
AutoDRL-IDS (Bewaakt LSTM-DRL Model):
- Architectuur: Breidt het DeepEdgeIDS-concept uit met een Long Short-Term Memory (LSTM)-netwerk om temporele afhankelijkheden in verkeerspatronen vast te leggen, gekoppeld aan een DQN-agent.
- Mechanisme: Maakt gebruik van gelabelde data tijdens offline bewaakt training om detectiebeleid te optimaliseren.
- Leerpardigma: Overbrugt offline bewaakt training met online aanpassing van beleidslijnen.
- Beloningsfunctie: Omvat tijdens de bewaakte trainingsfase ground-truth-afhankelijke metrics (Detectiepercentage en Percentage Vals-positieven), naast duurzaamheidsstraffen (energie, koolstof, latentie).
- Theoretische Basis: Geformuleerd als een beperkt stochastisch controleprobleem met behulp van Lagrange-multiplicatoren om energie- en geheugenbeperkingen te hanteren. Convergentie wordt bewezen via de Karush-Kuhn-Tucker (KKT)-condities en de Robbins-Monro-stochastische benadering.

Belangrijkste Bijdragen

Ontwerp met Dubbel Paradigma: De introductie van twee verschillende op DRL gebaseerde IDS-oplossingen: een bewaakt LSTM-DRL-model (AutoDRL-IDS) voor nauwkeurigheid in gestructureerde scenario's en een onbewaakt AE-DRL-hybride (DeepEdgeIDS) voor labelvrije anomaliedetectie.
Koolstofbewuste Optimalisatie: De expliciete integratie van koolstofemissies en energieverbruik als continue feedbackvariabelen binnen de DRL-beloningsfunctie, wat besluitvorming met bewustzijn voor duurzaamheid mogelijk maakt.
Validatie in de Wereld: Implementatie en evaluatie van beide modellen op fysieke edge gateways (Raspberry Pi 4) tijdens live DDoS-aanvallen, wat de eerste koolstofbewuste benchmarking van op DRL gebaseerde IDS aan de rand biedt.
Theoretische en Statistische Strenge: Bewijs van convergentie voor DeepEdgeIDS via Bellman-contractie en Lyapunov-stabiliteitsanalyse, aangevuld met Analyse van Variantie (ANOVA) om statistisch prestatieverschillen over meerdere metrics te valideren.

Experimentele Resultaten
De modellen werden geëvalueerd met behulp van het Bot-IoT-dataset en een fysieke testopstelling met ESP32-apparaten en Raspberry Pi 4 gateways onder diverse DDoS-aanvalsscenario's, inclusief zero-day-simulaties.

Detectienauwkeurigheid: DeepEdgeIDS behaalde 98,0% nauwkeurigheid (offline evaluatie) en 97,6% recall, en presteerde beter dan AutoDRL-IDS, dat 94,0% nauwkeurigheid behaalde. DeepEdgeIDS toonde superieur aanpassingsvermogen aan zero-day-aanvallen en voorbijgaande verkeerspieken.
Reactietijd en Latentie: DeepEdgeIDS vertoonde lagere latentie en snellere reactietijden (stabilisatie binnen 0,65s na aanvang van de aanval) in vergelijking met AutoDRL-IDS. ANOVA-resultaten bevestigden dat DeepEdgeIDS significant beter presteerde dan AutoDRL-IDS in latentie-efficiëntie ( $p < 0,05$ ).
Hulpbronnen-efficiëntie:
- Energie & Koolstof: AutoDRL-IDS vertoonde hogere energie-efficiëntie en lagere koolstofemissies, met een stabiel profiel dat geschikt is voor beperkte apparaten. DeepEdgeIDS leidde tot hogere aggregatie van CPU-, energie- en koolstofkosten door zijn continue online aanpassing en kenmerkextractie.
- CPU & Geheugen: AutoDRL-IDS handhaafde een lager CPU-gebruik (~25% versus ~35% voor DeepEdgeIDS). De verschillen in geheugengebruik waren niet statistisch significant, waarbij beide modellen binnen aanvaardbare limieten voor edge gateways bleven.
Statistische Significantie: ANOVA-toetsen bevestigden dat de superieure detectiekans en latentie van DeepEdgeIDS statistisch significant waren, terwijl de verschillen in reactietijd dat niet waren. Het effectgrootte gaf aan dat de modelarchitectuur een dominante factor was in de detectie-effectiviteit.

Betekenis en Claims
Het artikel claimt een nieuwe benchmark voor duurzame cyberveiligheid te vestigen door aan te tonen dat op DRL gebaseerde IDS niet alleen voor nauwkeurigheid kunnen worden geoptimaliseerd, maar ook voor milieueffect. De studie benadrukt een fundamentele afweging: DeepEdgeIDS biedt superieur aanpassingsvermogen, snellere reactie op zero-day-bedreigingen en hogere detectienauwkeurigheid ten koste van hoger energieverbruik en hogere koolstofemissies. Daarentegen biedt AutoDRL-IDS een energie-efficiëntere, stabielere en voorspelbaardere oplossing die geschikt is voor hulpbronnenbeperkte omgevingen waar gelabelde data beschikbaar is voor training.

De auteurs stellen dat hun werk een kritieke kloof opvult door verder te gaan dan pure detectienauwkeurigheid en duurzaamheid op te nemen als een kernoptimalisatiedoel. Zij concluderen dat deze architecturen de ontwikkeling van zelfadaptieve, duurzame beveiligingskaders voor IoT-ecosystemen van de volgende generatie vooruit helpen, en een praktische basis bieden voor het afwegen van nauwkeurigheid, hulpbronnen-efficiëntie en robuustheid in dynamische randnetwerken.