A hybrid inference pipeline for IDS: Combining DNNs and XGBoost through stacking for real-world intrusion detection

Publicación del proyecto · Ad Hoc Networks

Resumen

El artículo propone una tubería híbrida de inferencia para detección de intrusiones que combina modelos DNN, un metaaprendiz RandomForest y clasificación multiclase con XGBoost.

Latencia y rendimiento de inferencia de la tubería IDS híbrida — Figura 13. Latencia y rendimiento de inferencia en WSL Ubuntu y Jetson Nano según el tamaño de ventana. Fuente: Ad Hoc Networks / Elsevier; reproducida con atribución bajo CC BY-NC 4.0.

Autores: Antonio Villafranca, Maria-Dolores Cano

Revista: Ad Hoc Networks, volumen 188, artículo 104227

DOI: 10.1016/j.adhoc.2026.104227

Financiación: PID2023-148214OB-C21.

Nota editorial: La financiación del proyecto queda recogida en el corrigendum editorial asociado al artículo: 10.1016/j.adhoc.2026.104272.

Indicadores bibliométricos

Cuartil JCRQ1

Factor de impacto5,4

Citas en Google Scholar3

Área JCR: Computer Science, Information Systems
Año JCR: 2025
Consulta Scholar: 26 octubre 2026

Contribución principal

La aportación está en integrar aprendizaje profundo y ensamblado jerárquico para mantener alta precisión sin perder viabilidad operativa. El diseño cubre desde preparación de datos y entrenamiento hasta inferencia en GPU y plataformas embebidas.

Resultados y alcance

La evaluación sobre tráfico real muestra que el apilamiento de redes profundas y XGBoost mejora la robustez frente a modelos individuales y permite combinar representaciones complementarias. El rendimiento sigue condicionado por el equilibrio de clases, la deriva del tráfico y la capacidad de generalizar a ataques no observados.

Relación con BoND1

La relación con BoND1 aparece en la línea de ciberseguridad para IoT y edge: el enfoque ayuda a detectar tráfico malicioso en infraestructuras conectadas y a diseñar mecanismos de defensa adaptativos para redes B6G no celulares.

DOI

Project publication Ad Hoc Networks

Summary

The paper proposes a hybrid inference pipeline for intrusion detection that combines DNN models, a RandomForest meta-learner, and multi-class classification with XGBoost.

Hybrid IDS pipeline inference latency and performance — Figure 13. Inference latency and performance on WSL Ubuntu and Jetson Nano based on window size. Source: Ad Hoc Networks / Elsevier; reproduced with attribution under CC BY-NC 4.0.

Authors: Antonio Villafranca, Maria-Dolores Cano

Journal: Ad Hoc Networks, volume 188, article 104227

DOI: 10.1016/j.adhoc.2026.104227

Funding: PID2023-148214OB-C21.

Editorial note: The financing of the project is included in the editorial corrigendum associated with the article: 10.1016/j.adhoc.2026.104272.

Main contribution

The contribution is to integrate deep learning and hierarchical assembly to maintain high precision without losing operational viability. The design covers everything from data preparation and training to inference on GPUs and embedded platforms.

Results and scope

Evaluation on real traffic shows that stacking deep networks and XGBoost improves robustness against individual models and allows combining complementary representations. Performance is still influenced by class balance, traffic drift, and the ability to generalize to unobserved attacks.

Link with BoND1

The relationship with BoND1 appears in the line of cybersecurity for IoT and edge: the approach helps detect malicious traffic in connected infrastructures and design adaptive defense mechanisms for non-cellular B6G networks.

DOI

Repositorio UPCT: https://hdl.handle.net/10317/24194