15
0
0
2025-05-16 14:35:42
2025-05-16
題目：基于GNN和CNN的雙流網(wǎng)絡(luò)架構(gòu)用于入侵檢測
作者：張翼英，范一凡等
會議：ICIC 2025
摘要：隨著物聯(lián)網(wǎng)設(shè)備的廣泛部署，網(wǎng)絡(luò)安全威脅日益復(fù)雜，迫切需要高效、自適應(yīng)的入侵檢測方法?，F(xiàn)有方法雖然有效地利用了深度學(xué)習(xí)的特征提取能力，但在處理長時間序列攻擊模式和復(fù)雜攻擊環(huán)境時，仍然面臨計算效率低、特征覆蓋率不足等挑戰(zhàn)。本文提出了一種新穎的雙流網(wǎng)絡(luò)架構(gòu)，通過自適應(yīng)稀疏注意機制和多模態(tài)特征融合，顯著提高入侵檢測的魯棒性和實時性。首先構(gòu)建了一個GNN+CNN雙流網(wǎng)絡(luò)，其中CNN分支提取流量數(shù)據(jù)的局部統(tǒng)計特征，GNN分支建模設(shè)備間的拓撲交互。通過跨模態(tài)融合層實現(xiàn)兩類特征的聯(lián)合決策，從而在分布式攻擊檢測中兼顧局部細節(jié)和全局相關(guān)性。同時，針對傳統(tǒng)稀疏Transformer固定閾值的局限性，設(shè)計了自適應(yīng)稀疏注意力機制，通過可學(xué)習(xí)的門控機制動態(tài)調(diào)整稀疏比例，使模型能夠根據(jù)輸入流量特征自主聚焦于關(guān)鍵時序窗口，在增強對突發(fā)攻擊的靈敏度的同時，減少計算冗余。實驗表明，改進模型在CICIDS-2018數(shù)據(jù)集上達到了99.78%的檢測準(zhǔn)確率，比原版CST模型提升了0.13%，F(xiàn)1得分達到97.07%。此外，自適應(yīng)稀疏機制將訓(xùn)練時間縮短了18%。本研究為物聯(lián)網(wǎng)環(huán)境下多層多模態(tài)網(wǎng)絡(luò)威脅的精準(zhǔn)檢測提供了新的技術(shù)路徑。
