[論文レビュー] An Optimized Decision Tree-Based Framework for Explainable IoT Anomaly Detection

Ashikuzzaman, Md. Shawkat Hossain+4 more|arXiv (Cornell University)|Jan 18, 2026

Explainable Artificial Intelligence (XAI)被引用数 0

ひとこと要約

tldr: Explainable AIフレームワークは、SHAPとMorris感度分析を用いた最適化されたDecision Tree分類器により、リアルタイムでエッジ対応の性能を持つIoT異常検知の最先端を実現します。

ABSTRACT

The increase in the number of Internet of Things (IoT) devices has tremendously increased the attack surface of cyber threats thus making a strong intrusion detection system (IDS) with a clear explanation of the process essential towards resource-constrained environments. Nevertheless, current IoT IDS systems are usually traded off with detection quality, model elucidability, and computational effectiveness, thus the deployment on IoT devices. The present paper counteracts these difficulties by suggesting an explainable AI (XAI) framework based on an optimized Decision Tree classifier with both local and global importance methods: SHAP values that estimate feature attribution using local explanations, and Morris sensitivity analysis that identifies the feature importance in a global view. The proposed system attains the state of art on the test performance with 99.91% accuracy, F1-score of 99.51% and Cohen Kappa of 0.9960 and high stability is confirmed by a cross validation mean accuracy of 98.93%. Efficiency is also enhanced in terms of computations to provide faster inferences compared to those that are generalized in ensemble models. SrcMac has shown as the most significant predictor in feature analyses according to SHAP and Morris methods. Compared to the previous work, our solution eliminates its major drawback lack because it allows us to apply it to edge devices and, therefore, achieve real-time processing, adhere to the new regulation of transparency in AI, and achieve high detection rates on attacks of dissimilar classes. This combination performance of high accuracy, explainability, and low computation make the framework useful and reliable as a resource-constrained IoT security problem in real environments.

研究の動機と目的

• resource-constrained IoT環境における正確で説明可能なIDSの必要性を動機付ける。
• 最適化されたDecision Tree分類器を用いた説明可能なAIフレームワークを提案する。
• SHAPによる局所的な特徴量寄与とMorrisによるグローバルな特徴量寄与を示して透明性を高める。
• エッジ対応のリアルタイム処理を損なわずに検知品質を維持することを目指す。
• IoTセキュリティデータセットに対して最先端と性能を比較評価する。

提案手法

• コアモデルとして最適化されたDecision Tree分類器を使用する。
• 局所的な特徴量寄与にはSHAP値を適用し、グローバルな重要度にはMorris感度分析を適用する。
• エッジ展開とリアルタイム処理を可能にする推論効率を評価する。
• 標準的な指標（精度、F1スコア、Cohen Kappa）と交差検証の安定性を用いて検知性能を評価する。
• SHAPおよびMorris分析によってSrcMacを最も重要な予測子として特定する。
• 従来研究と比較して、説明可能性とリソース制約のあるIoTセキュリティ向けの低計算を強調する。

実験結果

リサーチクエスチョン

• RQ1 決定木ベースのモデルは、説明可能でありつつIoTの異常検知性能を高く維持できるか。
• RQ2 局所的 SHAP とグローバルな Morris の説明は、IoT IDS における特徴量重要度の洞察にどのような影響を与えるか。
• RQ3 リソース制約下でリアルタイム推論を実現するエッジデバイスに本フレームワークは適しているか。
• RQ4 異なる攻撃クラス間でも高精度を維持できるか。
• RQ5 透明性と計算量の点で従来研究と比較して本フレームワークはどうか。

主な発見

• テスト性能で99.91%の精度を達成。
• F1スコア99.51%、Cohen Kappa0.9960。
• 交差検証の平均精度は98.93%、高い安定性を示す。
• SrcMacはSHAPとMorris分析の両方で最も重要な予測子として同定。
• 高精度と説明可能性およびエッジ対応の計算性を組み合わせる点で従来より優れている。
• エッジIoTセキュリティシナリオに適したリアルタイム処理をサポート。