相关实验视频
自学模型融合用于网络异常检测:一种混合CNN-LSTM-变压器框架
Jun Wang1,2, Ning Huang1,2, Houzhong Zhang1,2
1College of Computer Science and Technology, Shenyang University of Chemical Technology, Shenyang, Liaoning, China.
PloS one
|October 29, 2025
概括
本研究介绍了用于网络异常检测的混合深度学习框架,其中包括一个自我学习机制,以适应不断变化的网络威胁并保持高检测准确度.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 快速发展的网络威胁挑战了传统的异常检测系统.
- 现有系统在应对新型攻击模式的适应性和性能方面扎.
- 需要能够学习和适应动态威胁环境的自主系统.
研究的目的:
- 开发一种创新的混合深度学习框架,用于增强网络流量异常检测.
- 将卷积神经网络 (CNN),长短期记忆 (LSTM) 和变压器模型与自学机制集成.
- 提高异常检测系统的适应性和强度,以应对不断变化的网络威胁.
主要方法:
- 一个协同的两阶段模型融合架构,结合了CNN,LSTM和变压器模型.
- 一个具有多度偏移检测的自适应学习机制,用于自主威胁响应.
- 一种知识保存策略,在适应过程中保持检测能力.
主要成果:
- 对于二进制分类,CNN-LSTM模型获得了0.9778 (UNSW-NB15) 和0.9695 (CICIDS2017) 的F1分数.
- 对于特定异常类型的分类,LSTM-变压器模型实现了0.9632和0.9528的精度.
- 框架在15天内保持了0.955的平均准确度,并诱导了概念漂移.
- 自学机制在23.4小时内检测到漂移并恢复性能,零日攻击的检测率为92.8%.
结论:
- 拟议的混合深度学习框架有效地提高了网络流量异常检测.
- 自学机制为不断变化的威胁和概念漂移提供了自主适应.
- 该框架表现出稳健性和改进的性能,为未来的网络安全系统提供了一个有希望的方向.