Wireless Sensor Network Intrusion Detection: A Review of Statistical, Machine Learning, and Federated Methods

方法

文献综述，对比统计、机器学习、深度学习、可解释AI和联邦学习方法及性能。

发现

机器学习检测精度高但依赖数据集，缺乏同时检测数据窃取与窃听的集成框架，被动攻击研究不足。

机会点

面向农业WSN的轻量级、能量感知自适应安全与抗投毒联邦检测框架尚属空白。

无线传感器网络（Wireless Sensor Networks, WSNs）已成为环境监测、医疗健康、智慧农业、工业自动化和智慧城市应用中的关键基础设施。然而，其分布式、资源受限且物理可访问的设计带来了严重的安全风险。本文综述了无线传感器网络中的网络安全挑战与入侵检测，梳理了该领域从统计方法到机器学习、深度学习、可解释人工智能（Explainable AI）和联邦学习（Federated Learning）的发展脉络。我们的分析表明，尽管基于签名和基于异常的检测提供了基础性安全保障，但它们在动态且资源受限的无线传感器网络环境中面临显著局限。机器学习和深度学习方法取得了良好效果，随机森林（Random Forest）达到98–99.5%的准确率，深度学习架构在部分研究中超过99%，但这些数据在很大程度上取决于数据集、预处理和评估方式的选择。SHAP和LIME等可解释人工智能技术通过实现透明的安全决策，缓解了“黑箱”问题，而联邦学习则支持隐私保护且通信高效的协作检测。目前仍存在显著空白：缺乏同时检测数据窃取和窃听的集成框架，被动攻击受到的关注有限，发展中地区的应用场景研究不足，能量感知的自适应安全仍停留在设想阶段。我们指出了未来研究方向，包括轻量级深度模型、能量感知自适应安全、混合架构以及鲁棒且抗投毒的联邦机制。