本文针对物联网（IoT）网络中低速率拒绝服务（LDoS）攻击的早期检测问题提出了一种轻量级预测性神经网络架构 IDQS（通过 QoS 预测进行入侵检测）。LDoS 攻击具有隐蔽性和持续性，传统入侵检测系统难以有效识别。IDQS 框架包含两个核心组件：一是 RTP-QoS（循环趋势预测神经网络），该网络利用历史流量模式学习和预测未来的服务质量（QoS）指标；二是 PDM（成对决策模型），通过比较预测 QoS 与实际 QoS 之间的差异来识别潜在攻击。IDQS 采用轻量化设计，适合资源受限的 IoT 环境。在公共数据集 SDN-SlowRate-DDoS 和 CIC-IDS2017 上的评估结果显示，IDQS 在大多数攻击场景中实现了超过 79% 和 91% 的检测准确率，同时保持较高的召回率和较低假阴性率，端到端推理时间仅为 0.28 秒。实验证明了 IDQS 在实时部署中的有效性和高效性。本文的主要贡献在于提出了一种基于 QoS 预测的主动防御方法，能够早期发现 LDoS 攻击，弥补了传统基于阈值或签名检测方法的不足。适合网络与安全领域的研究人员、IoT 安全工程师以及入侵检测系统设计者阅读。