Intelligent defense at the edge: a comprehensive survey of federated learning, TinyML and explainable AI for intrusion detection in IoT and IIoT ecosystems

物联网（IoT）与工业物联网（IIoT）技术的迅速普及，通过将大量异构设备、传感器、嵌入式系统及信息物理平台互联互通，从根本上改变了当代计算基础设施的格局。这些生态系统支撑着智慧城市、智能交通、工业自动化、医疗监控、精准农业和家庭自动化等多样化应用。尽管在运行方面具有优势，但物联网设备广泛的连接性和固有的资源受限特性显著扩大了网络攻击面。有限的处理能力、有限的内存以及受限的能量预算，使得传统网络安全方案在物联网环境中不可行。因此，物联网系统已成为高级威胁的主要目标，包括恶意软件、僵尸网络、分布式拒绝服务（DDoS）攻击、勒索软件、内部攻击和数据操纵。为企业网络设计的传统入侵检测系统（IDS）依赖集中式数据采集和计算密集型机器学习模型，由于可扩展性限制、通信开销、延迟约束和隐私问题，不适用于物联网部署。因此，近期研究已转向轻量级、智能化且分布式的网络安全框架，以期在严重资源受限条件下提供稳健防护。本综述全面回顾了面向物联网生态系统的基于人工智能的入侵检测与恶意软件分析的最新进展，涵盖轻量级机器学习（ML）模型、面向边缘部署的深度学习（DL）架构、基于联邦学习（FL）的隐私保护检测、设备端TinyML智能、基于区块链的信任管理、可解释人工智能（XAI）驱动的透明监控以及自适应网络防御。本文提出了一个统一的概念框架，集成了轻量级检测、分布式协作学习、基于信任的编排和自适应防御。