Kontinuierliches Lernen reduziert verheerendes Vergessen bei IoT-IDS

In RPL‑basierten IoT‑Netzwerken führen Verschiebungen der Angriffs­muster zu einer ernsthaften Bedrohung für die Zuverlässigkeit und Sicherheit. Intrusion‑Detection‑Systeme (IDS), die auf statischen Datensätzen trainiert wurden, zeigen oft keine ausreichende Generalisierung auf neue Bedrohungen und verlieren bei Aktualisierungen durch neue Angriffe ihr Wissen – ein Phänomen, das als katastrophales Vergessen bezeichnet wird.

Um dieser Herausforderung zu begegnen, wurde Intrusion‑Detection als Problem des domänen‑kontinuierlichen Lernens formuliert. Das vorgestellte, methodenunabhängige IDS‑Framework ermöglicht die nahtlose Integration verschiedener kontinuierlicher Lernstrategien und sorgt dafür, dass das System stets an neue Angriffs­domänen angepasst werden kann.

In einer systematischen Benchmark‑Studie wurden fünf repräsentative Ansätze über mehrere Domain‑Ordnungsszenarien hinweg mit einem umfangreichen Multi‑Attack‑Datensatz aus 48 Domänen getestet. Die Ergebnisse zeigen, dass kontinuierliches Lernen das katastrophale Vergessen deutlich reduziert und gleichzeitig ein ausgewogenes Verhältnis zwischen Plastizität, Stabilität und Effizienz in ressourcenbeschränkten IoT‑Umgebungen herstellt.

Besonders hervorzuheben sind die Replay‑basierten Methoden, die die beste Gesamtleistung erzielen, sowie Synaptic Intelligence (SI), das nahezu null Vergessen bei hoher Trainings­effizienz erreicht. Diese Erkenntnisse deuten auf ein starkes Potenzial hin, stabile und nachhaltige IDS‑Deployments in dynamischen IoT‑Netzwerken zu realisieren.