使用HACDT-Net和TRBM-Net进行入侵检测,使用混合深度学习框架以及增强的采样技术
1Department of Computer Science and Engineering, PSNA College of Engineering and Technology, Dindigul, India. npadmapriyacse@gmail.com.
Scientific reports
|March 2, 2026
概括
这项研究通过将深度学习模型与先进的重新采样技术相结合来增强入侵检测系统 (IDS). 混合模型达到99%以上的准确性,大大提高了罕见网络威胁的检测.
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:
- 网络威胁需要强大的网络保护. 传统的入侵检测系统 (IDS) 与阶级不平衡作斗争,导致罕见的错过攻击.
- 深度学习 (DL) 提供先进的解决方案,但混合架构和自适应采样对于克服局限性至关重要.
研究的目的:
- 通过将DL模型与先进的重新采样技术相结合,增强网络入侵检测.
- 解决阶级不平衡,改善特征提取,以更准确地识别威胁.
主要方法:
- 开发了两个混合DL模型:HACTD-Net (自动编码器-CNN + 变压器-DNN) 和TRBM-Net (1D-TCN-ResNet-BiGRU-多头注意).
- 采用了ADASYN-SMOTE,ENN和Borderline SMOTE-OSS等重新采样技术,用于类平衡和合成数据生成.
- 在CICIDS2017和NF-BoT-IoT-v2数据集上评估模型,测量准确性,精度,回忆和F1-score.
主要成果:
- HACTD-Net实现了99.88%的分类准确度,显示了对各种网络攻击的强大性能.
- 使用多头自我注意的TRBM-Net达到99.72%的准确性,改善了罕见攻击的检测,减少了错误警报.
- 这两种模型都通过混合DL和重新采样显著改善了IDS性能.
结论:
- 混合深度学习模型与优化的重新采样技术相结合,大大提高了IDS的性能.
- 将上下文/空间特征提取与平衡数据的整合提高了检测率,特别是在不常见的威胁中.
- 结果支持实时,适应性IDS的发展,以应对当代网络安全挑战.