基于深度学习的入侵检测技术综述

杨宇 ,  袁进亮 ,  高敏娜 ,  申芳 ,  郭瑞 ,  王明起

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (2) :450-464

PDF (4294KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (2) :450-464 DOI: 10.12404/j.issn.1671-1815.2501499
自动化技术、计算机技术

基于深度学习的入侵检测技术综述

作者信息 +

Systematic Review of Intrusion Detection Based on Deep Learning

Author information +
文章历史 +

摘要

随着5G、物联网等新兴技术的普及,网络攻击呈现跨平台渗透、隐蔽性增强和攻击链智能化的特征,针对传统基于规则库的入侵检测方法面临特征表征能力不足、动态适应性弱等问题,结合深度学习,从网络入侵检测的概念出发,建立网络入侵检测模型架构图,对当前卷积神经网络(convolutional neural network,CNN)、循环神经网络(recurrent neural network,RNN)、生成式对抗网络(generative adversarial network,GAN)及自编码器(Autoencoder)等典型模型的现有研究进行了梳理对比,总结分析了当前基于深度学习的网络入侵检测技术所面临的4个挑战,并据此对未来发展方向进行了分析与展望。

Abstract

With the popularization of emerging technologies such as 5G and IoT, network attacks present the characteristics of cross-platform penetration, enhanced covertness, and intelligent attack chain. Aiming at the problems of insufficient feature characterization ability and weak dynamic adaptability faced by the traditional rule-base-based intrusion detection methods, combining with deep learning, The architecture diagram of the network intrusion detection model was established based on the concept of network intrusion detection. The four challenges faced by current typical deep learning-based models—such as CNN(convolutional neural network), RNN(recurrent neural network), GAN(generative adversarial network), and AE(autoencoder)—were summarized and analyzed. Accordingly, the future development direction was analyzed and prospected.

Graphical abstract

关键词

网络安全 / 入侵检测 / 深度学习 / 神经网络

Key words

network security / intrusion detection / deep learning / neural network

引用本文

引用格式 ▾
杨宇, 袁进亮, 高敏娜, 申芳, 郭瑞, 王明起. 基于深度学习的入侵检测技术综述[J]. 科学技术与工程, 2026, 26(2): 450-464 DOI:10.12404/j.issn.1671-1815.2501499
YANG Yu, YUAN Jin-liang, GAO Min-na, SHEN Fang, GUO Rui, WANG Ming-qi. Systematic Review of Intrusion Detection Based on Deep Learning[J]. Science Technology and Engineering, 2026, 26(2): 450-464 DOI:10.12404/j.issn.1671-1815.2501499

登录浏览全文

4963

注册一个新账户 忘记密码

1980年Anderson[2]提出了《计算机安全威胁监控与监视》的报告,详细阐述了入侵检测的概念,并提出了利用审计跟踪数据监视入侵活动的思想。1984—1986年乔治敦大学的Denning[3]和SRI/CSL(stanford research institute/computer science laboratory)的Peter Neumann研究出了实时入侵检测系统模型——IDES。这一模型的提出,标志着入侵检测技术从理论走向实践的重要一步。
尽管入侵检测系统能很大程度上对入侵行为的发生做出预警,但随着网络环境越来越复杂,攻击行为不断升级,零日攻击、内部威胁、加密攻击等行为逐渐成为主要攻击手段,黑客的攻击技术逐步实现自动化,传统的基于机器学习的入侵检测技术也难以达到很好的防御效果,Hinton等[4]于2006年提出深度学习理论,所提出生成模型比最好的判别学习算法能更好地进行数字分类。深度学习能够通过组合底层特征形成更加抽象的高层类别或特征,以便发现数据的分布式特征表示, 这种能力使得深度学习模型能够表示高阶抽象概念的复杂函数[5],因此研究基于深度学习的入侵检测系统是十分有必要的且可行的。目前,许多研究人员开始利用深度学习方法构建基于异常的入侵检测系统,除卷积神经网络(convolutional neural network,CNN)[6]、循环神经网络(recurrent neural network,RNN)[7]、生成式对抗网络(generative adversarial network,GAN)[8]、长短期记忆网络(long short-term memory,LSTM)[9]等模型外,基于图神经网络[10]及联邦学习[11]的入侵检测方法也成为学界新热点。
因此,现基于深度学习的入侵检测技术,并对2019—2025年间在此背景下发表的不同框架进行归纳分析。首先概括入侵检测系统原理,并介绍其分类。接着介绍入侵检测技术的基本流程及常用的几种模型。然后介绍基于深度学习的入侵检测技术最新研究,并比较其性能,综合得出模型性能与所使用的数据集、方法和技术等因素有关,而后介绍网络入侵检测系统当前在物联网、车联网、软件定义网络3个领域的应用,最后讨论当前技术中存在的主要挑战,提出解决方法并对未来研究方向进行展望。

1 网络入侵检测系统概述

1.1 入侵检测系统原理

入侵检测是观察计算机系统或网络中发生的事件,并分析这些事件以确定入侵的过程。各种威胁包括恶意软件、DoS-DDoS 攻击、未经授权的访问、权限提升或探测攻击。虽然许多看似对系统有害的事件确实是攻击,但也有一些例外;例如,用户可能误输入了计算机地址或不知情地连接到错误的系统。该系统必须正确地将入侵与正常的网络流量区分开来。总之,入侵检测系统(intrusion detection systems,IDS) 是一种软件,它简化并自动化了攻击检测过程,其通用模型如图1所示。

1.2 入侵检测系统分类

网络入侵检测系统(IDS)是网络安全领域中用于识别和响应恶意活动的关键技术,它们通过监控网络或系统的行为,分析流量或日志,以发现潜在的安全威胁和攻击。IDS可以根据多种不同的标准进行分类,每种分类都反映了系统设计和功能的不同方面,如图2所示。

1.2.1 基于检测方法

按照检测方法可将 IDS 分为基于误用的入侵检测和基于异常的入侵检测。

基于误用的入侵检测系统(misuse-based intrusion detection system)通过将事件或流量与已知攻击标志数据库相匹配,从而判断是否存在攻击行为,因此,基于误用的入侵检测算法在检测网络流量时可获得较低的误报率。此外,它们还能有效检测到已知攻击,并为其贴上相应的标签,这为后续检测提供了便利。然而,由于它们只能检测已知的攻击,因此与它们不相似的其他攻击就会被忽视[12]。

基于异常的入侵检测系统(anomaly-based intrusion detection system,AIDS)通过将接收到的网络流量与正常流量行为进行比较来识别异常行为。它们假定可疑模式与标准模式截然不同。异常被定义为严重偏离正常的行为。如果检测到任何异常模式,IDS 就会向网络安全管理员发出潜在可疑活动的警告[13]。由于基于异常的IDS不依赖于已知攻击的签名,它们能够检测到那些未知的或新的攻击模式,但这类系统可能会产生较高的误报率,因为任何偏离正常行为的活动都被视为异常,包括一些正常的但罕见的行为,随着机器学习和人工智能技术的发展,AIDS的准确性和效率正在不断提高。

1.2.2 基于部署位置

按照部署位置可分为主机基入侵检测和网络基入侵检测。

基于主机的入侵检测系统(host-based intrusion detection systems, HIDS)监控和分析单个主机上的活动,包括系统调用、进程行为、文件变动和系统日志。它们通常基于行为监控、规则匹配、异常检测等机制,能够提供详细的系统活动记录,有助于精确识别针对该主机的攻击,但只能监控单个主机,难以发现跨主机或网络层面的攻击。Ou等[14]设计并应用了一个基于主机的入侵检测系统,该系统包含两种检测技术。分别是日志文件分析和反向传播神经网络技术。日志文件分析用于误用检测,BP 神经网络用于异常检测。将这两种检测技术结合的目的是,提出的 HIDS 可以有效提高入侵检测的准确性和效率。

基于网络的入侵检测系统(network-based intrusion detection systems, NIDS)通常有着较高的误报率和漏报率。大多数早期开发的基于网络的入侵检测系统使用基于签名的检测方法来检测已知的简单攻击。新技术结合了多种检测方法,以实现高精度并增加可检测攻击的类型。因此,误报率和漏报率降低。另一个问题是,它们通常需要大量的调整和定制,以考虑观测环境的特征。尽管基于网络的入侵检测系统(IDS)具有广泛的检测能力,但它们也存在一些重要的限制。其中最重要的是分析加密流量、处理大量流量负载以及抵御针对IDS的攻击。NIDS无法检测对加密网络流量的攻击,并且在高负载情况下无法进行全面分析。此外,IDS 传感器可能会导致某些事件无法检测到,尤其是在使用有状态协议分析时。

1.2.3 基于处理方式

按照处理方式可分为实时网络入侵检测和离线网络入侵检测。

实时网络入侵检测系统(real-time network intrusion detection systems, RIDS)是一种网络安全技术,旨在即时监控和分析网络流量,以便在攻击发生时立即识别并响应。这种系统通过持续扫描经过的网络数据包,与已知的攻击签名进行匹配,并使用异常检测算法来识别潜在的威胁。RIDS的优点在于能够提供快速的威胁响应,减少攻击带来的损害,但同时也需要较高的计算资源,可能会产生误报,并需要持续的维护和更新。

离线网络入侵检测系统(offline network intrusion detection systems, OIDS)是一种事后分析方法,它通过分析已存储的网络日志和数据包来识别历史网络活动中的异常行为和潜在攻击。OIDS通常在网络流量较低的时段运行,以减少对网络性能的影响。这种系统的优点是成本较低,可以深入分析历史数据,但缺点是响应存在延迟,依赖于数据存储,且可能无法及时识别和响应最新的攻击技术。

1.2.4 基于智能程度

根据智能程度可分为传统网络入侵检测和智能检测。

传统网络入侵检测系统(traditional intrusion detection systems,TIDS)是一种基于规则和签名的检测技术,主要依赖于已知攻击模式的数据库来识别网络中的恶意行为。TIDS通过监控网络流量并与预定义的攻击签名进行匹配来检测入侵。它们的优点在于对已知攻击的检测速度快、准确性高,且成本相对较低。然而,TIDS的缺点在于对未知攻击或变种攻击的检测能力有限,且可能产生较多的误报和漏报,因为它们无法有效适应新的或复杂的攻击模式。

智能网络入侵检测系统(intelligent intrusion detection systems, IIDS)运用机器学习和深度学习等技术,能够学习网络的正常行为模式,并识别与这些模式显著不同的异常行为。IIDS可以适应新的攻击模式,甚至能够检测到未知的威胁。它们的优点在于能够提供更灵活的检测机制,减少对专家知识的依赖,并随着时间的推移提高检测准确性。不过,IIDS的缺点包括需要大量的标注数据来训练模型,计算资源消耗较大,且可能需要更长的时间来分析网络流量,有时响应速度可能不如传统系统快。

1.2.5 基于管理方式

按照管理方式可分为分布式入侵检测和集中式入侵检测。

分布式入侵检测系统(distributed intrusion detection system, DIDS)由多个传感器组成,这些传感器分布在网络的不同位置,能够独立地监控和分析各自区域的网络流量。DIDS通过集中管理平台整合各个传感器的数据,以提供全面的网络威胁检测。这种系统能够覆盖广泛的网络区域,提高检测的全面性和准确性。优点包括提高网络覆盖范围和响应速度,以及增强系统的可扩展性和容错能力。然而,DIDS的缺点包括复杂的管理和协调需求,以及可能更高的成本和维护难度。

集中式入侵检测系统(centralized intrusion detection system, CIDS)将所有监控和分析任务集中在一个中心节点上执行。CIDS通过从网络的各个部分收集数据,然后在单一位置进行处理和分析,以检测潜在的安全威胁。这种系统易于管理和配置,且成本相对较低,尤其适用于小型或预算有限的网络环境。CIDS的优点在于简化了监控和管理流程,以及降低了系统的复杂性。不过,CIDS的缺点包括对中心节点的依赖性高,一旦中心节点出现问题,整个系统的检测能力可能会受到影响,同时在处理大规模网络流量时可能会遇到性能瓶颈。

1.2.6 基于响应类型

按照响应类型可分为被动入侵检测和主动入侵检测。

被动入侵检测系统(passive intrusion detection systems,PIDS)观察网络或主机上的活动,并检测这些活动中的恶意活动。然而,PIDS 无法阻止或防止检测到的恶意活动[15],当遇到恶意活动时,它们只能通过向系统管理员发出警报来应对。

主动入侵检测系统(active intrusion detection systems,ACTIDS)实时响应,阻止或防止对网络或主机的攻击[16]。作为入侵检测和防御系统(IDPS)的一种,ACTIDS 可自动应对攻击,无须系统管理员干预,另一方面,ACTIDS 可能无法对网络或主机上的活动进行深入分析[15],而且 ACTIDS 的持续主动响应能力会增加系统的额外开销。

2 基于深度学习的入侵检测技术

基于深度学习的入侵检测技术主要分为3个模块,数据处理模块,特征选择模块和入侵检测模块,其主要模型架构如图3所示。

2.1 数据处理模块

数据处理模块包括检测前的数据采集、数据预处理以及最终的评价指标3个内容。

2.1.1 数据采集

当前主流的实验验证平台包括KDD99、NSL-KDD、UNSW-NBl5以及CIC-IDS-20l7等基准库,这些数据资源为算法研究提供了重要支撑。在深度学习驱动的网络入侵检测系统中,上述数据集已发展成为主流的评估工具,大部分的相关学术研究均采用这些标准化数据进行模型性能验证。这种科研实践不仅建立了统一的评估基准,也推动了检测算法横向比较的规范化发展。部分常见入侵检测公开数据集如表1所示。

KDD99数据集为从DARPA网络数据集文件创建。KDD99数据集包括训练数据和测试数据。数据集中包括4类主要攻击:DOS(拒绝服务攻击)、R2L(远程到本地的未授权访问)、U2R(用户到根的未授权访问)、PROBING(监视和探测)。KDD99数据集中每个连接用41个特征来描述,包括连续型和分类型特征,涉及连接的各个方面,如协议类型、服务、标志、流量特征等。尽管KDD99数据集的年代较为久远,但它仍然是网络入侵检测领域的事实基准,为基于计算智能的网络入侵检测研究奠定了基础。

NSL-KDD数据集的主要特点在于其精炼后的数据结构和丰富的网络流量特征。相较于原始的KDD Cup 1999数据集,NSL-KDD消除了冗余记录,改善了类别不平衡问题,从而提高了模型的训练效率和检测准确性。此外,该数据集包含了多种网络协议和攻击类型的详细信息,使得其在入侵检测领域的应用具有广泛的代表性和实用性。

Kyoto 2006+数据集是一个由日本京都大学创建的网络入侵检测数据集。这个数据集主要用于评估网络入侵检测系统(NIDS)的性能,数据集包含了多种类型的攻击,包括对Web服务器、数据库和其他网络服务的攻击。此外,数据集包含93 076 270个会话,提取了24个特征,包括14个统计特征和10个额外特征。包含14个统计特征,源自KDD Cup 99数据集,以及10个额外特征,用于NIDS的进一步分析和评估。

CAIDA数据集包含分布式拒绝服务(DDoS)攻击的网络流量跟踪,收集于2007年。这种类型的拒绝服务攻击试图用大量网络数据包压倒目标计算机或网络,阻止正常流量到达其合法目标计算机,从而中断目标计算机或网络的正常流量。CAIDA 数据集的一个缺点是不包含各种攻击。此外,收集到的数据无法提供整个网络的特征,因此很难区分异常流量和正常流量。

UNSW-NB15数据集是通过在新南威尔士大学网络安全实验室建立合成环境而创建的。关键的 IXIA 工具能够在合成环境中生成真实的现代正常和合成异常网络流量。UNSW-NB15 利用 IXIA PerfectStorm工具代表了九大攻击系列。使用 Argus 和 Bro-IDS 工具开发的 49 种特征和 12 种算法涵盖了网络数据包的特征。

CICIDS2017数据集是一个由加拿大网络安全研究所(Canadian Institute for Cybersecurity,CIC)发布的网络流量数据集,它被广泛用于网络流量分析和入侵检测研究,包含良性流量和7种常见攻击类型的网络流量,数据集完全标记,并使用CICFlowMeter软件提取了超过80种网络流量特征。

CICDDoS2019数据集,包含50 063 112条记录,其中50 006 249条代表DDoS攻击,56 863条代表正常行为,数据集包含86个元素,用于研究目的,包含12种DDoS攻击类型,如NTP、DNS、MSSQL、NetBIOS、SNMP、SYN和TFTP等,为DDoS攻击检测和防御研究提供了一个更准确、更全面的测试平台。

澳大利亚国防军学院的研究人员生成了两个数据集(ADFA-LD和ADFA-WD),以突出现代攻击的结构和策略。这些数据集通过基于系统调用的HIDS分析生成,数据来自Linux和Windows计算机。

2.1.2 数据预处理

数据预处理作为机器学习模型有效训练的基础性环节,其核心功能在于将异构信息转化为可计算的规范化表达,该过程涵盖3个核心层次:数据编码、标准化处理及数值缩放。数据编码阶段通过特征工程技术将非结构化数据转化为结构化数值矩阵,在网络安全入侵检测系统中具有关键作用——典型案例如将IP地址、协议类型等类别特征通过独热编码或嵌入向量进行数值化表征[25]。标准化处理采用Z-score方法实现数据分布的均值中心化和方差归一化,而数值缩放则通过Min-Max算法执行线性区间映射[26]。该联合处理策略通过消除量纲差异,显著优化梯度下降算法的收敛效率[27]。此外,能有效抑制特征尺度异质性引发的参数偏移问题,进而提升深度神经网络的表征学习能力和模型泛化性能[28],同时引入数据增强技术作为关键扩展环节,通过受控生成语义合理的合成样本(如通过随机变换、裁剪、缩放、旋转、平移等操作来增加图像数据的多样性, 从而扩充数据量[29]),在不依赖额外真实数据的前提下扩充训练分布并模拟潜在变体。数据增强与前述编码、标准化及缩放技术协同构成完备的数据准备框架,不仅缓解了过拟合风险并强制模型学习本质不变特征,更能在复杂模式识别任务中显著增强模型对未知环境与对抗性攻击的鲁棒性。

2.1.3 评估指标

为了评估所开发的IDS模型并比较其性能,一般会使用召回率、假阳性率、假阴性率、精确度、F-measure和准确度等指标[30]。

准确度(Accuracy):正确识别的测试样本百分比,它是正确预测的实例占实例总数的比例。精确度(Precision):被正确识别为攻击的样本占所有被识别为攻击的样本的比例。召回率(Recall):模型正确识别真实攻击的百分比。F-measure:召回率和精度的调和平均值,它在Precision和Recall之间取得了平衡。假阳性率:全部正常事件中被标记为攻击事件的比率;真阳性率:正确分类的攻击事件占全部攻击事件的比例。这些值通过混淆矩阵[31]计算得出,如图4所示。

${A}_{\mathrm{c}\mathrm{c}\mathrm{u}\mathrm{r}\mathrm{a}\mathrm{c}\mathrm{y}}=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{N}}$
${P}_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}$
${R}_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}$
$F-\mathrm{m}\mathrm{e}\mathrm{a}\mathrm{s}\mathrm{u}\mathrm{r}\mathrm{e}=\frac{2{R}_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}{P}_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}}{{R}_{\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}+{P}_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}}$

式中: TP为预测是正样本,实际上也是正样本;FP为预测是负样本,实际上是正样本;TN为预测是负样本,实际上也是负样本;FN为预测是正样本,实际上是负样本。

根据研究,高效和有效的 IDS 必须具有高召回率、高准确率和高精确率。此外,功能强大的 IDS 应具有接近1的高F-measure和接近零的低误报率。准确率和召回率是大多数入侵检测方法都研究过的基本标,但是,对于不平衡的类别,准确率并不是一个合适的衡量标准。

2.2 特征提取模块

特征提取是进行网络入侵检测的关键环节特征提取模块包括特征选择和特征转换与降维两个环节。

2.2.1 特征选择

特征选择是从原始特征中选择最有意义的特征子集,以提高入侵检测模型的性能和可解释性。常见的特征选择方法包括:①基于统计的方法,通过计算特征的相关性、方差等统计指标,筛选出对分类有显著影响的特征;②基于模型的方法,利用机器学习模型的特征重要性评估机制,如随机森林、XGBoost等,选择对模型贡献最大的特征;③基于优化算法的方法,结合遗传算法、粒子群优化等智能算法,动态选择最优特征子集。文献[32]利用神经网络(尤其是自编码器)进行降维,展示了深度学习在特征提取和降维中的潜力。这种方法适用于大规模数据集,并能自动学习数据的低维表示。

2.2.2 特征转换与降维

特征转换与降维技术旨在将高维特征空间映射至低维表征空间,其核心价值体现在降低计算复杂度与提升模型泛化能力两方面[33]。典型方法包含:①主成分分析(principal component analysis, PCA),基于协方差矩阵特征分解构建正交基向量,实现特征空间的最优线性重构。需注意的是,该方法生成的特征向量为原始特征的线性组合,可能导致特征物理意义的丧失[34];②线性判别分析(linear discriminant analysis, LDA),以费舍尔准则为优化目标,通过最大化类间离散度与最小化类内离散度的比值实现判别式特征提取[34],特别适用于监督分类场景下的维度压缩需求。

2.3 入侵检测模块

第一代人工神经网络由神经层中的感知器组成,计算能力有限。第二代计算误差率并反向传播误差。受限玻尔兹曼机克服了反向传播的限制,使学习变得更容易。随后,其他网络最终也得到了发展[35],如图5所示。与传统学习方法相比,随着数据量的增加,使用深度学习的分类器的性能也会大规模提高,传统机器学习算法的性能在达到训练数据的临界值后会变得稳定,而深度学习的性能会随着数据量的增加而上升。

2.3.1 基于CNN的网络入侵检测

卷积神经网络(CNN)的概念最早可追溯至1989年LeCun等[36]的开创性工作。该研究首次系统阐述了CNN的多层卷积结构与反向传播训练方法,并在手写数字识别任务中验证了其有效性。这一里程碑式成果不仅奠定了CNN在图像识别领域的理论基础,更为后续计算机视觉技术的突破提供了核心框架。传统CNN的核心优势在于其局部感知与权值共享机制,能够通过相关滤波器自动捕捉图像中的空间依赖关系[37],从而显著降低数据预处理复杂度。典型的LeNet、AlexNet等架构已在物体检测、语义分割等任务中展现出优越性能。近年来,研究者逐步将CNN的强特征提取能力拓展至网络安全领域,特别是在网络入侵检测场景中实现了创新应用。文献[38]提出改进型卷积神经网络(ICNN)用于无线网络入侵检测,旨在解决传统入侵检测技术在无线网络环境中存在的高误报率、低检测效率和泛化能力不足的问题。该方法通过跨层聚合网络设计和Dropout正则化等技术,增强了模型的特征提取能力和泛化能力,并利用深度学习的端到端学习特性,自动提取样本特征,简化了入侵检测的实现过程,包含多个卷积层、池化层和全连接层,能够有效提取无线网络流量数据中的关键特征。通过跨层聚合和Dropout技术,模型在训练过程中能够避免过拟合,提高泛化能力。此外,ICNN采用随机梯度下降算法进行优化,能够逐步调整网络参数,直至模型收敛,在KDDTest+数据集上的检测准确率较传统LeNet-5和DBN模型分别提升8.82%和0.51%,同时误报率显著降低,这一突破验证了CNN处理非图像结构化网络数据的潜力,但该模型在训练过程中可能会出现梯度弥散和局部最优解的问题,影响了模型的训练效果和泛化能力,其次,对于样本数量较少的攻击类型(如U2R),ICNN的检测准确率相对较低。这表明在处理不平衡数据集时,模型的性能会受到一定影响。为进一步解决特征选择偏差与零日攻击识别难题,文献[39]设计了CNN与深度分水岭自动编码器(deep watershed autoencoder,DWA)的混合架构(CNN-DWA)。在特征选择、数据不平衡处理和零日攻击检测方面具有显著优势。CNN-DWA模型通过卷积层和池化层自动提取特征,并利用动态权重分配机制优化数据不平衡问题,显著提升了模型的检测性能。实验结果表明,CNN-DWA在KDD CUP 1999数据集上的准确率达到99.9%,显著优于传统CNN模型(94.54%),但CNN-DWA需要较高的计算资源,尤其是在处理大规模数据集时,并且由于结构较为复杂,训练和测试过程所需要的时间远高于一般模型。在模型优化层面,文献[40]引入SiLU激活函数与批量归一化技术,通过归一化每个小批量(mini-batch)的数据,减少内部协变量偏移(internal covariate shift),从而加快模型的收敛速度,SGD通过随机选择小批量数据进行梯度计算,逐步更新模型参数,以最小化损失函数,训练深度学习模型时具有良好的收敛性能和泛化能力,使CNN在KDD Cup 99数据集上经过10轮训练即达到99.26%的平均准确率。文献[41]通过融合混合自编码器与残差时序网络的协同架构,实现了高维网络流量数据的高效特征提取与精准分类。在特征选择阶段,采用CNN-GRU混合自编码器进行深度降维:首先利用卷积层结合双池化策略提取流量的空间局部模式(如异常协议字段组合),通过非线性编码函数融合池化特征;随后将空间特征序列化输入GRU单元,利用其重置门与更新门建模攻击行为的时序依赖性(如DDoS流量脉冲),最终通过重建损失函数优化特征压缩过程,显著消除冗余。在分类阶段,设计混合残差LSTM(HRL)架构:通过三层残差模块(含跳跃连接)解决深层CNN的梯度消失问题,增强对复杂攻击模式(如多态恶意软件)的空间表征能力;引入多头自注意力机制动态加权关键特征区域(如攻击载荷偏移地址);并采用LSTM门控单元精准建模长周期攻击行为,最终将ResNet的空间特征图与LSTM的时序状态拼接,经全连接层融合后由Softmax分类器输出。该模型在NSL-KDD等数据集上达到95.7%以上准确率,尤其擅长处理高维时序流量,但其计算复杂度较高,且对样本稀疏的少数攻击敏感,适用于云端部署场景,未来需结合联邦学习优化零日攻击检测能力。

2.3.2 基于RNN的网络入侵检测

循环神经网络(RNN)的架构雏形可追溯至1986年Elman[42]提出的经典模型,其通过引入隐状态循环机制,首次系统解决了时序数据的动态建模问题。基于这一理论突破,RNN在自然语言处理领域迅速崭露头角:早期研究通过捕捉文本序列的上下文依赖关系,显著提升了语言建模、机器翻译等任务的预测精度[43-44]。与此同时,RNN在语音识别中的成功应用(如语音信号到文本的端到端转换[45]),以及LSTM变体在股票预测、天气建模等场景中对长期依赖关系的有效处理[46],进一步验证了其在时序数据分析中的普适性。值得注意的是,RNN的技术潜力不仅限于软性预测任务——其对手写字符的动态轨迹建模能力[47],亦为后续跨领域扩展(如网络安全行为序列分析)奠定了基础。随着网络攻击行为复杂度的提升,研究者开始探索RNN在网络安全态势感知与入侵检测中的创新应用。文献[48]率先提出钟周期循环神经网络(CW-RNN)与灰狼优化算法(GWO)的融合框架,CW-RNN通过将隐藏层神经元划分为多个模块,并为每个模块分配不同的时钟周期,从而实现对不同频率数据特征的处理。低频模块负责处理长期依赖关系,而高频模块则捕捉短期特征。这种设计使得模型能够同时学习短期和长期信息,增强对数据模式的捕捉能力,GWO算法通过模拟灰狼的群体行为,逐步逼近目标。算法分为4个阶段:群体分级、追踪猎物、包围猎物和攻击猎物,通过动态调整位置和收敛因子,GWO能够有效地在参数空间中搜索最优解超参数自适应调整机制,将网络流量时序特征预测误差降低至传统模型的47%,且响应延迟缩短60%。该方法特别适用于需要高实时性和高准确率的网络安全态势预测任务,如大规模传感器网络中的网络流量监测,也适合处理多类别分类任务,适用于包含多种攻击类型和正常流量的复杂网络环境。针对网络攻击特征的非平稳性与隐蔽性,文献[49]设计了LSTM-RNN与混合稀疏自动编码器的级联模型。LSTM-RNN是一种特殊的RNN,能够处理长序列数据中的长期依赖关系。模型由两个LSTM层组成,每层包含80个隐藏单元。第一层LSTM返回序列,即为每个时间步生成输出;第二层LSTM不返回序列。为了防止过拟合,模型在每个LSTM层后添加了Dropout层。最终,LSTM的输出被送入一个带有SoftMax激活函数的全连接层用于分类,同时使用Adamax优化器,学习率为0.1,Adamax优化器是Adam优化器的变体,能够更好地处理稀疏梯度,提高模型的收敛速度和稳定性,在NSL-KDD数据集上实现了97.2%的检测率,误报率较基于Adamax优化器的基准模型下降3.8个百分点。为进一步应对多类攻击识别挑战,文献[50]提出的SD-RNN模型引入动态稀疏连接机制,利用深度递归神经网络(SD-RNN)进行多类别分类,同时结合了决策树(DT)和随机森林(RF)等传统机器学习方法,将多分类准确率提升至99.77%,较传统RNN模型提高6.3%,尤其对低频率攻击类别的召回率改善显著。

2.3.3 基于GAN的网络入侵检测

生成对抗网络(GAN)由Goodfellow等[51]于2014年提出,其核心架构通过生成器与判别器的动态博弈机制,开创了数据驱动式生成模型的新范式。早期研究聚焦于图像生成领域:从StyleGAN实现的高分辨率人脸合成[52],到医学影像增强与视频预测中的跨模态生成[53-54],GAN逐步验证了其在数据合成与增强中的普适性。值得注意的是,GAN的技术边界不断拓展——以文本到图像生成任务为例,Che等[55]提出的最大似然增强离散GAN,实现了语义与视觉特征的精准对齐,这一突破为后续非图像域(如网络流量序列)的对抗生成提供了方法论借鉴。随着网络攻击手段的多样化,训练数据失衡与新型攻击样本匮乏成为入侵检测的核心瓶颈。研究者开始探索GAN在网络安全领域的适应性改造。文献[56]将GAN引入入侵检测场景,提出基于对抗生成与随机森林的级联框架(GAN-RF)。该模型通过生成与CICIDS 2017数据集中少数类攻击流量高度相似的虚拟样本,使随机森林分类器的F1分数提升22.3%,显著优于传统过采样方法(如SMOTE)。这一工作证实了GAN在均衡化网络流量分布中的有效性。文献[57]设计了G-IDS模型,利用GAN合成NSL KDD-99数据集中低频攻击的对抗样本。GAN由生成器(G)和判别器(D)组成。生成器负责创建新的数据实例,判别器负责评估数据的真实性。通过对抗训练,生成器不断学习生成更真实的少数类数据,而判别器则不断学习区分真实数据和生成数据,解决信息网络物理系统(cyber-physical systems,CPS) 中数据不平衡和缺失问题导致的入侵检测模型训练困难,实验表明,合成数据使模型对SQL注入等罕见攻击的召回率提高至89.7%,且训练稳定性(损失函数波动幅度)降低64%。此研究为小样本条件下的检测泛化提供了新思路。为进一步提升复杂攻击类型的判别能力,文献[58]引入动态权重分配损失函数,创新性地采用生成对抗网络框架构建半监督多分类检测模型。其方法核心在于重构标准GAN架构:通过将二元判别器扩展为K+1类分类器(K类真实攻击样本与第K+1类生成样本),并采用三层LSTM网络(120-80-122)作为生成器合成样本,动态扩充原始训练集;同时设计融合监督损失(基于交叉熵的真实样本多分类优化)与无监督损失(继承GAN对抗机制的生成样本判别)的联合目标函数,通过生成器与分类器的交替迭代训练逼近纳什均衡。该方法在小样本多分类场景(如新型攻击初期未标记数据充足时)具有显著适用性,尤其在计算资源受限的CPU环境中展现出部署优势,在相同实验条件下,将DDoS、端口扫描等9类攻击的整体检测准确率推升至99.2%,较传统二分类模型提高8.5个百分点,且误报率下降至0.37%。但其有效性严格依赖于未标记数据与真实攻击样本的同分布假设,且面临生成样本质量波动可能引发的分类器过拟合风险,以及新增攻击类别需重构模型带来的动态扩展瓶颈等应用约束。文献[59]提出了一种双编码模型(E-BiGAN),该模型通过引入双编码器架构、权重共享机制和增强型损失函数,有效地解决了入侵检测系统中数据不平衡和高维特征空间等挑战。双编码器使用两个独立的编码器并行提取特征,每个编码器学习数据的不同方面,从而更全面地捕捉网络流量模式,并减少模式崩溃的风险,并提升对罕见攻击的检测能力;权重共享机制减少参数数量,缩短训练时间,并保持模型稳定性;增强型损失函数促进特征学习,提升特征表示能力,并生成高质量的攻击样本。E-BiGAN模型在NSL-KDD和CICIDS-2017数据集上取得了优异的性能,有效提高了入侵检测模型的准确率和F1分数,尤其是在处理罕见攻击方面展现出良好的鲁棒性。

2.3.4 基于AE的网络入侵检测

自编码器(autoencoder,AE)的核心思想可追溯至1986年Hinton[60]的开创性研究。该工作首次系统阐述了AE通过编码-解码结构实现无监督特征学习的机制,其“瓶颈层”设计为高维数据降维提供了理论框架。随着深度学习技术的发展,AE的架构持续革新:Vincent等[61]提出的去噪自编码器(denoising autoencoders,DAE),通过在输入层注入噪声并强制模型恢复原始数据,显著提升了特征表达的鲁棒性,此外,自编码器还被广泛应用于图像重建和生成任务中,如在图像去噪和超分辨率等应用中表现出色[62]。而Kingma等[63]提出的变分自编码器(auto-encoding variational bayes,AEVB)通过引入隐变量概率分布,使AE从单纯的重建工具升级为生成模型,成功实现逼真数据合成。这些突破不仅巩固了AE在图像去噪、超分辨率等传统任务中的地位,更推动了其在异常检测、对抗生成等新兴领域的跨界应用。在网络安全领域,攻击行为的隐蔽性与数据分布的高度非均衡性,使得传统监督学习方法面临严峻挑战。文献[64]首次将三元组网络(triplet型主要由两部分组成:自编码器和三元组网络。自编码器分别在正常流量和攻击流量上进行训练,以学习两类数据的特征表示。每个自编码器由编码器和解码器组成,编码器将输入向量映射到隐藏表示,解码器再将隐藏表示映射回输入空间,重构输入向量。三元组网络则利用自编码器重构的正负样本对,学习一个嵌入空间,使得同类样本在嵌入空间中距离更近,异类样本距离更远。通过优化三元组损失函数,模型能够有效地将正常流量和攻击流量分开。实验表明,在CIC-IDS2017数据集上,该方法的少数类检测F1分数较传统过采样技术提升19.7%,且模型收敛速度加快3.2倍,但RENOIR模型也存在一些局限性:一是模型的训练过程较为复杂,需要同时训练两个自编码器和一个三元组网络,对计算资源和时间要求较高;二是该模型主要针对二分类任务设计,在处理多分类任务时需要采用组合策略,增加了计算负担。为进一步扩大威胁识别覆盖范围,文献[65]设计了自编码器、多层感知机(multilayer perceptron,MLP)和卷积神经网络的级联模型来提高网络入侵检测的准确性。自编码器通过无监督学习识别正常流量模式,利用重建误差进行异常检测,适合处理无标签数据和复杂网络流量。MLP对自编码器提取的特征进行监督分类,适合有标注数据的场景以提高分类精度。CNN则擅长从网络数据中提取关键特征,增强对复杂攻击的检测能力。这种多算法结合的方法在处理大规模、高维、复杂结构的数据时优势明显,特别适用于复杂多变的网络环境,能有效应对数据不平衡问题,同时降低误报率。然而,模型的复杂度较高,对计算资源和时间有一定要求,且需注意防止过拟合,该架构利用AE对KDD99数据集的39维特征进行非线性压缩,生成低维稠密表示后输入MLP进行细粒度分类。测试结果显示,针对DoS、Probe、R2L、U2R这4类攻击,模型综合F1分数达到98.4%,尤其对低频率攻击(如IPSweep)的召回率提升至92.1%,较单一AE模型提高14.6%。

3 基于深度学习的入侵检测技术性能对比

对第2节讨论的每种入侵检测算法以及2019—2025年基于深度学习的部分论文所用的其他算法的性能进行了对比,如表2所示。

(1)在不同的模型类型中,SDRNN在CICIDS2017数据集上表现最佳,达到了99.78%的准确率(Accuracy)、99.77%的精确率(Precision)、99.78%的召回率(Recall)和99.77%的F1分数。GAN-RF在CICIDS2017数据集上也表现出色,准确率=99.83%,精确率=98.69%,召回率=92.76%,F1=95.04%。

(2)不同的数据集对模型性能有显著影响。例如,CICIDS2017数据集在多个模型中都显示出较高的性能,而NSLKDD数据集的性能则相对较低。

(3)2019—2024年,模型的性能总体上有所提升,这可能与算法的改进和计算能力的提升有关。

(4)不同类型的模型在不同的数据集上表现不同。例如,CNN模型在NSLKDD数据集上表现良好,而RNN模型在CSE-CIC-IDS2018数据集上表现较好。

(5)除了准确率,其他性能指标如精确率、召回率和F1分数也是评估模型性能的重要指标。例如,GAN模型在KDD99数据集上的精确率和召回率都很高,但F1分数相对较低,这可能表明模型在处理不平衡数据集时存在一定的挑战。

4 网络入侵检测系统的应用

在当今数字化时代,网络入侵检测系统(IDS)已成为保障网络安全的关键防线。随着中国网络技术的迅猛发展,各行业对网络安全的需求日益增长,尤其广泛应用于物联网(internet of things, IoT)、车联网及软件定义网络(software defined network,SDN)等新兴网络架构中。由于上述网络在资源受限性、拓扑动态性、协议异构性及攻击多样性等方面存在显著差异,传统IDS难以直接适配。因此,近年来研究者们基于深度学习、联邦学习、区块链及混合检测框架等策略,针对上述场景提出了多种优化方案。

4.1 物联网

物联网场景下的入侵检测系统应用近年来呈现出“轻量化-多模态-隐私协同”的整体演进趋势。面对节点资源受限、协议异构及数据孤岛等现实约束,研究者已从单一模型优化走向融合架构与可信协同的综合方案。李奕蒙等[70]提出的 LiCNN-BiLSTM 模型在 CICIDS2017 数据集上通过侧抑制卷积增强局部特征、逆残差结构压缩参数,再结合双向长短期记忆捕获时序依赖,使检测准确率达到 97.27%、F1提升至98.03%,显著优于传统 CNN-LSTM 架构。蔡立志等[71]进一步提出 MFF-IDS 框架,利用 N-gram 对可变长有效载荷进行编码,并以 Transformer 建模会话级时序特征,在 CIC IoT 2023 与 CIC IoMT 2024 数据集上平均准确率提升至 96.7%,验证了协议特征、统计特征与深度时序特征的互补价值。为破解数据孤岛与隐私泄露难题,张涵等[72]设计的 FED-IDS 将上下文感知 Transformer 嵌入联邦学习框架,通过区块链矿工验证本地梯度实现可信聚合,在 ToN_IoT 与 Car-Hacking 数据集上分别获得 94.85% 与 95.12% 的检测准确率,单样本推理时间仅 32.27 ms,兼顾了分布式安全与边缘实时性。上述研究表明,物联网入侵检测系统正由单一模型优化走向轻量化架构、多模态融合与可信协同的综合解决方案。

4.2 车联网

车联网场景下的入侵检测系统应用聚焦于“实时性-混合检测-小样本鲁棒”三条主线,以解决车载控制器算力受限、DoS 攻击多样及训练数据稀缺等痛点。郭健忠等[73]提出树结构堆叠集成与无监督异常检测协同框架,通过贝叶斯优化超参数,在 Car-Hacking 数据集上对已知 DoS 攻击实现 100% 准确率;随后将集成模型标记为“正常”的流量输入 CDAE-AM 模块,针对未知零日攻击召回率达到 100%,整体测试延迟仅 0.072 ms,满足车载 10 ms 实时约束。银鹰等[74]通过分析车载CAN面临的信息安全威胁,提取CAN报文在报文ID,时间间隔,数据字段中的通信特征,提出一种基于长短期记忆(long short term memory,LSTM)的CAN入侵检测模型,该模型能有效保留CAN报文的时序特征,在CAN遭受攻击时检测攻击行为以及对应的攻击类型.实验结果表明,该模型的攻击检测精度达99.99%。为缓解 CAN 报文类别不平衡与样本稀缺问题,王浩轩等[75]提出GAN-Transformer框架,通过掩码预测生成器扩充训练集,判别器完成异常分类,最终在Car-Hacking 数据集上F1达99.66%,检测耗时仅为CNN的4.2%,验证了小样本场景下的高鲁棒性。上述工作共同表明,车联网 IDS 正由单一监督模型演化为“已知-未知攻击协同检测、轻量化推理、数据增强”一体化的实时防御体系。

4.3 软件定义网络

软件定义网络场景下的入侵检测系统应用以“集中控制-动态攻击-全局防护” 为核心矛盾,研究重心已从单纯的异常检测演进到检测-溯源-缓解闭环防御体系。付钰等[76]在系统综述中指出,SDN向接口的开放性使控制器成为 DoS/DDoS 攻击的首要目标,传统基于统计或信息熵的方法在高速流量下误报率高,因而深度学习方法被广泛引入:CNN-LSTM 混合模型在 CIC-IDS2017 上可达 99.60% 准确率,但部署于控制器端会显著增加 CPU 与带宽开销;GRU-DAE 半监督框架虽能识别未知攻击,准确率却降至 90.21%,暴露出模型泛化与实时性的双重瓶颈。Tayfour等[77]提出了一种基于深度学习的SDN入侵检测系统,将长短期记忆网络模型集成到SDN控制器中,用于检测物联网环境中的复杂攻击。该系统利用CICID2017数据集进行训练和测试,实验结果表明,提出的基于LSTM的入侵检测系统在检测各种攻击类型方面表现出色,准确率达到99.32%,并优于其他现有的深度学习算法;Long等[78]提出了一种基于信息熵和堆叠稀疏自编码器支持向量机(SSAE-SVM)的混合方法,用于软件定义网络中DDoS攻击的检测与缓解,采用了一个双模块检测方法,首先使用信息熵进行初步异常流量识别,随后利用SSAE-SVM机器学习架构对疑似异常流量进行确认,实验通过使用实时数据集和基准数据集对所提方法进行评估,并与现有先进方法进行了比较,结果显示该混合方法能够识别超过98%的DDoS流量,同时大幅降低了训练时间和计算负担,实现了高效准确的攻击识别和网络的及时恢复。综合来看,SDN 场景下的 IDS 正在从“单点检测”迈向“检测-溯源-缓解”协同的轻量化、自适应与全局防御体系,但如何在控制器资源受限条件下实现大规模在线学习与跨域协同仍是未来研究的关键挑战。

5 结论与展望

从对相关研究的分析中可以看出,无论使用的是单一神经网络(如 GAN)还是神经网络组合(如 GAN-LSTM),最近发表的研究中使用的大多数架构都能提供良好的结果。这些组合旨在克服特定方法的缺点,或从总体上提高整个入侵检测过程的自动化程度,因此深度学习方法的优势并不在于它的使用,而在于它与所有准备和辅助技术的完美结合。目前,这些深度模型架构被证明是高效的。尤其是RNN及其改进型,在所研究的时间段内,这些架构比其他架构更受欢迎。需要指出的是,并非每项研究都对超参数选择问题给予相应的解释,大多数研究省略了对这一问题的详细推理。几乎每项分析研究都明确说明了所使用的硬件,但只有部分研究明确说明了训练或应用时间,同时由于大多数研究都没有开放源代码,无法对其中的实验结果进行验证。

虽然深度学习在网络入侵检测系统中表现良好,但在实际场景的应用中仍面临诸多挑战。硬件的限制,数据集的多样性等都会使模型的性能受到影响。因此,提高深度模型的泛化能力和鲁棒性,是重点关注的方向之一。在未来的研究中,以下几个关键问题需要考虑,来进一步推动入侵检测系统领域的发展。。

(1)数据不平衡问题。数据不平衡问题重点与难点集中体现在多维度复杂交互上。从数据特性角度,需精准剖析不同领域数据分布差异,同时要攻克高维数据复杂结构建模难题,如多模态、长尾分布等,这要求对数据特性的深入理解与精准建模,难度极高。数据增强方面,要解决生成样本既要真实反映少数类特征又需保多样性的矛盾,像图像数据增强中避免模式崩溃与过拟合,这属于生成模型的优化难题。欠采样时,关键多数类样本的识别与保留是一大挑战,因多数类样本中蕴含着对模型决策边界有影响的重要特征,若简单删除这些特征丰富的样本,会致使模型无法准确学习正常数据特征,进而影响对少数类数据的识别能力,这涉及特征选择与样本重要性评估的前沿技术难题,未来应聚焦于优化数据增强与欠采样算法,提升生成样本真实性和多样性,增强欠采样中关键多数类样本识别能力;强化模型自适应机制,使其更好适应数据处理后的特征分布,同时构建综合评估体系,准确衡量模型在数据不平衡场景下的性能。

(2)模型的可解释性问题。在深度学习模型的应用中,模型的可解释性问题尤为突出。尽管深度学习模型在识别攻击等方面表现出色,但其内部决策过程的不透明性限制了模型的进一步应用和发展。这一问题主要源于深度神经网络在特征表征学习过程中难以有效区分相关性与因果性,尤其在对抗样本攻击下,模型易受特征伪相关性的干扰,从而引发误导性安全决策。目前,提高模型可解释性的方法包括敏感度分析、神经元激活和部分依赖图等,但这些方法仍存在局限性,如无法全面揭示模型决策的内在逻辑和因果关系。此外,可解释性与模型准确性的平衡也是一个亟待解决的问题,因为可解释性增强可能会以牺牲模型准确性为代价,而追求高准确性又会降低模型的可解释性。同时,特征相关性与因果性区分困难,使得模型可能依据输入特征间的伪相关性做出决策,尤其在对抗样本攻击下,这种伪相关性易被利用,导致模型决策失误却难以察觉。为了提高模型的可解释性,可以结合因果推理增强解释性,将因果推理与深度学习模型结合,通过构建因果图模型,明确变量间的因果关系,使模型决策基于因果关系而非简单相关性。此外,开发综合解释框架,整合多种解释方法,充分利用各方法优势,为模型决策提供更全面、准确的解释,提升模型透明度和可信度。同时,优化模型结构,设计更简洁、高效的神经网络架构,在保持较高准确性的同时,提高模型可解释性。通过这些方法,可以有效提高深度学习模型的可解释性,使其在实际应用中更加可靠和可信。

(3)对抗性攻击问题。对抗性攻击已成为深度学习在网络安全等领域广泛应用的关键瓶颈。尽管对抗训练通过最小最大优化问题及鞍点优化理论设计的交替梯度更新策略,有效提升了模型内在鲁棒性,但仍存在诸多挑战。现有方法如投影梯度下降(projected gradient descent,PGD)攻击在训练中易出现过拟合,导致模型在对抗扰动的测试数据上表现不佳,且对抗训练存在目标模型不稳定收敛行为及灾难性过拟合问题,限制了鲁棒性进一步提升。未来可从多方面深入研究:一是结合因果推理增强解释性,构建因果图模型使模型决策基于因果而非简单相关性;二是优化对抗训练方法,如开发综合解释框架整合多种解释方法,或重新构建优化问题,从概率角度解决内层最大化问题;三是设计更简洁高效的网络架构,如采用网络剪枝、量化等技术简化模型结构,在保持准确性的同时提高可解释性;四是改进对抗训练中的数据增强技术,引入更贴近实际攻击场景的对抗样本。

(4)分布偏移问题。分布偏移问题在深度学习领域日益凸显,其成因包括环境动态变化、数据采集偏差以及标注标准的时间空间异质性等。这些复杂因素导致训练数据与测试数据在特征或标签分布上出现系统性差异,从而影响模型的性能和泛化能力。现有算法在处理多维分布偏移时,往往难以有效捕捉和整合多种偏移因素,导致模型在复杂实际场景中的鲁棒性不足。当前方法在动态环境下的自适应性仍显不足,难以实时追踪数据分布的变化并迅速做出调整。未来的研究方向应聚焦于开发多维偏移联合检测与领域自适应的协同优化机制,以提升模型在非稳态环境下的持续学习能力。一是可以结合因果推理增强模型的解释性和鲁棒性,通过构建因果图模型揭示数据分布变化的因果机制,使模型能够基于因果关系而非简单相关性进行决策;二是优化多维偏移的检测与校正方法,开发综合性的偏移检测框架,整合特征偏移、标签偏移等多种检测方法,更全面地识别数据分布的变化,同时加强领域自适应技术的研究,通过特征空间对齐和领域不变性学习,缩小源域和目标域之间的分布差距,提高模型的跨域适应能力;三是结合增量学习和在线学习机制,使模型能够持续学习新的数据特征,并动态调整模型结构和参数,从而在非稳态环境下保持良好的性能。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

李帅. 2024上半年网络安全漏洞态势报告[M]. 汕头: 工业和信息化部电子第五研究所, 2024.
[2]

Li Shuai. Report on cybersecurity vulnerability landscape in the first half of 2024[M]. Shantou: The Fifth Electronics Research Institute of the Ministry of Industry and Information Technology, 2024.
[3]

Anderson J P. Computer security threat monitoring and surveillance: technical report[M]. Fort Washington: James P Anderson Company, 1980.
[4]

Dennning D E, Neumann P G. Requirements and model for IDES: a real-time intrusion detection system[M]. Menlo Park: Technical report, Computer Science Laboratory, SRI International, 1985.
[5]

Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554.
[6]

丁顺莺. 基于深度学习的大数据网络安全防御模式研究[J]. 信息与电脑(理论版), 2018(17): 194-195.
[7]

Ding Shunying. Research on defense mode of big data network security based on deep learning[J]. Information and Computer(Theoretical Edition), 2018(17): 194-195.
[8]

Barach J. Enhancing intrusion detection with CNN attention using NSL-KDD dataset[C]// Artificial Intelligence for Business(AIxB). Laguna Hills: IEEE, 2024: 15-20.
[9]

Kasongo S M. A deep learning technique for intrusion detection system using a recurrent neural networks based framework[J]. Compu-ter Communications, 2023, 199: 113-125.
[10]

Kostage K, West D, Meinert T, et al. Enhancing autonomous intrusion detection system with generative adversarial networks[C]// IEEE 20th International Conference on e-Science. Osaka: IEEE, 2024: 1-10.
[11]

Laghrissi F, Douzi S, Douzi K, et al. Intrusion detection systems using long short-term memory(LSTM)[J]. Journal of Big Data, 2021, 8(1): 65-75.
[12]

Wang Y, Han Z, Du Y, et al. BS-GAT: a network intrusion detection system based on graph neural network for edge computing[J]. Cybersecurity, 2025, 8(1). DOI: 10.1186/s42400-024-00296-8.
[13]

Quyen N H, Duy P T, Nguyen N T, et al. FedKD-IDS: a robust intrusion detection system using knowledge distillation-based semi-supervised federated learning and anti-poisoning attack mechanism[J]. Information Fusion, 2025(117). DOI: 10.1016/j.inffus.2024.102807.
[14]

Le Jeune L, Goedeme T, Mentens N. Machine learning for misuse-based network intrusion detection: overview, unified evaluation and feature choice comparison framework[J]. IEEE Access, 2021, 9: 63995-64015.
[15]

Hajj S, El Sibai R, Bou Abdo J, et al. Anomaly-based intrusion detection systems: the requirements, methods, measurements, anddatasets[J]. Transactions on Emerging Telecommunications Technologies, 2021, 32(4). DOI: 10.1002/ett.4240.
[16]

Ou Y J, Lin Y, Zhang Y, et al. The design and implementation of host-based intrusion detection system[C]// Third International Symposium on Intelligent Information Technology and Security Informatics. Ji’an: IEEE, 2010: 595-598.
[17]

Thakkar A, Lohiya R. A survey on intrusion detection system: feature selection, model, performance measures, application perspective, challenges, and future research directions[J]. Artificial Intelligence Review, 2022, 55(1): 453-563.
[18]

Ayyagari M R, Kesswani N, Kumar M, et al. Intrusion detection techniques in network environment: a systematic review[J]. Wireless Networks, 2021, 27(2): 1269-1285.
[19]

Tavallaee M, Bagheri E, Lu W, et al. A detailed analysis of the KDD CUP 99 data set[C]// IEEE Symposium on Computational Intelligence for Security and Defense Applications. Ottawa: IEEE, 2009: 1-6.
[20]

Protić D. Review of KDD Cup’99, NSL-KDD and Kyoto 2006+datasets[J]. Vojnotehnicki Glasnik, 2018, 66(3): 580-596.
[21]

Song J, Takakura H, Okabe Y, et al. Statistical analysis of honeypot data and building of Kyoto 2006+ dataset for NIDS evaluation[C]// Proceedings of the First Workshop on Building Analysis Datasets and Gathering Experience Returns for Security. Salzburg: ACM, 2011: 29-36.
[22]

Mohd Yusof N, Sulaiman N S. Cyber attack detection dataset: a review[J]. Journal of Physics: Conference Series, 2022, 2319(1). DOI: 10.1088/1742-6596/2319/1/012029.
[23]

Moustafa N, Slay J. UNSW-NB15:a comprehensive data set for network intrusion detection systems(UNSW-NB15 network data set)[C]// Military Communications and Information Systems Conference. Canberra: IEEE, 2015: 1-6.
[24]

Sharafaldin I, Habibi Lashkari A, Ghorbani A A. Toward generating a new intrusion detection dataset and intrusion traffic characterization[C]// Proceedings of the 4th International Conference on Information Systems Security and Privacy, Funchal. Madeira: SCITEPRESS-Science and Technology Publications, 2018: 108-116.
[25]

Saheb M C P, Yadav M S, Babu S, et al. A review of DDoS evaluation dataset:CICDDoS 2019 dataset[C]// Energy Systems, Drives and Automations, ESDA 2021.Lecture Notes in Electrical Engineering. Singapore: Springer, 2021: 1-11.
[26]

Creech G, Hu J. A semantic approach to host-based intrusion detection systems using contiguous and discontiguous system callpatterns[J]. IEEE Transactions on Computers, 2014, 63(4): 807-819.
[27]

Sun Y. Modifying the one-hot encoding technique can enhance the adversarial robustness of the visual model for symbol recognition[J]. Expert Systems with Applications, 2024(250). DOI: 10.1016/j.eswa.2024.123751.
[28]

Goodfellow I, Bengio Y, Courville A. Deeplearning[M]. Cambridge: MIT Press, 2016.
[29]

Géron A. Handson machine learning with scikit-learn, keras, and tensorflow[M]. Sebastopol: O’reilly Media, 2019.
[30]

Pedregosa F. Scikit-learn: machine learning inpython[J]. Journal of Machine Learning Research, 2011, 12: 2825-2830.
[31]

唐浩耀, 崔鑫, 张艺炜, 等. 基于数据增强与CNN-Optuna-Attention改进的网络流量分类方法[J]. 科学技术与工程, 2025, 25(15): 6419-6430.
[32]

Tang Haoyao, Cui Xin, Zhang Yiwei, et al. Network traffic classification method improved based on data augmentation and CNN-Optuna-Attention[J]. Science Technology and Engineering, 2025, 25(15): 6419-6430.
[33]

Bishop C M. Pattern recognition and machine learning[M]. Berlin: Springer, 2006.
[34]

Lee W, Stolfo S J. Data mining approaches for intrusion detection[C]// USENIX Security Symposium. New York: USENIX Associa-tion, 1998. DOI: 10.1109/45.624335.
[35]

Ozkan-Okay M, Samet R, Aslan O, et al. A comprehensive systematic literature review on intrusion detection systems[J]. IEEE Access, 2021, 9: 157727-157760.
[36]

Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504-507.
[37]

Abdi H, Williams L J. Principal component analysis[J]. Wiley Interdisciplinary Reviews: Computational Statistics, 2010, 2(4): 433-459.
[38]

Wang H, Raj B. On the origin of deep learning[J]. arXiv Preprint, arXiv: 1706.03762, 2017.
[39]

Lecun Y, Boser B, Denker J S, et al. Backpropagation applied to handwritten zip code recognition[J]. Neural Computation, 1989, 1(4): 541-551.
[40]

Yamashita R, Nishio M, Do R K G, et al. Convolutional neural networks: an overview and application inradiology[J]. Insights into Imaging, 2018, 9(4): 611-629.
[41]

Yang H, Wang F. Wireless network intrusion detection based on improved convolutional neural network[J]. IEEE Access, 2019, 7: 64366-64374.
[42]

Samha A K, Malik N, Sharma D, et al. Intrusion detection system using hybrid convolutional neural network[J]. Mobile Networks and Applications, 2023. DOI: 10.1007/s11036-023-02223-6.
[43]

Peng T E, Liu I H, Li J S, et al. Network intrusion detection using CNN-based classification method[C]// IEEE/ACIS 8th International Conference on Big Data, Cloud Computing, and Data Science. Vietnam: IEEE, 2023: 361-364.
[44]

Xue Y, Kang C, Yu H, HAE-HRL: a network intrusion detection system utilizing a novel autoencoder and a hybrid enhanced LSTM-CNN-based residual network[J]. Computers & Security, 2025, 151. DOI: 10.1016/j.cose.2025.104328.
[45]

Elman J L. Finding structure intime[J]. Cognitive Science, 1990, 14(2): 179-211.
[46]

Bergstra J, Breuleux O, Bastien F, et al. Theano: a CPU and GPU math compiler in python[C]// Python in Science Confe-rence. Austin: IEEE, 2010: 18-24.
[47]

Bahdanau D, Cho K, Bengio Y. Neural machine translation by jointly learning to align and translate[J]. arXiv Preprint, arXiv: 1706.037, 2016.
[48]

Graves A, Mohamed A R, Hinton G. Speech recognition with deep recurrent neural networks[C]// IEEE International Confe-rence on Acoustics, Speech and Signal Processing. Vancouver: IEEE, 2013: 6645-6649.
[49]

Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.
[50]

Lecun Y, Bottou L, Bengio Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.
[51]

Du X, Ding X, Tao F. Network security situation prediction based on optimized clock-cycle recurrent neural network for sensor-enabled networks[J]. Sensors, 2023, 23(13). DOI: 10.3390/s23136087.
[52]

Azarudeen K, Ghulam D, Rakesh G, et al. Intrusion detection system using machine learning by RNN method[J]. E3s Web of Conferences, 2024, 491. DOI: 10.1051/e3sconf/202449104012.
[53]

Chavhan N. Statistical implementation for SD-RNN model for multi-class classification for network intrusion detection system[J]. Communications on Applied Nonlinear Analysis, 2024, 31(2S): 546-560.
[54]

Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[C]// Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge: MIT Press, 2019: 2672-2680.
[55]

Karras T, Laine S, Aila T. A style-based generator architecture for generative adversarial networks[C]// IEEE/CYF Conference on Computer Vision and Pattern Recognition(CVPR). Long beach: IEEE, 2019: 4396-4405.
[56]

Denton E L, Chintala S. Deep generative image models using a laplacian pyramid of adversarial networks[C]// Proceedings of the 29th International Conference on Neural Information Processing Systems. Cambridge: MIT Press, 2018: 1486-1494.
[57]

Shin H C, Tenenholtz N A, Rogers J K, et al. Medical image synthesis for data augmentation and anonymization using generative adversarial networks[M]. Berlin: Springer, 2018.
[58]

Che T, Li Y, Zhang R, et al. Maximum-likelihood augmented discrete generative adversarial networks[J]. arXiv Preprint, arXiv: 1706.11037, 2017.
[59]

Lee J, Park K. Gan-based imbalanced data intrusion detectionsystem[J]. Personal and Ubiquitous Computing, 2021, 25(1): 121-128.
[60]

Shahriar M H, Haque N I, Rahman M A, et al. G-ids: generative adversarial networks assisted intrusion detection system[C]// IEEE 44th Annual Computers, Software, and Applications Confe-rence. Madrid: IEEE, 2020: 376-385.
[61]

Liao D, Huang S, Tan Y, et al. Network intrusion detection method based on GAN model[C]// International Conference on Computer Communication and Network Security(CCNS). Xi’an: IEEE, 2020: 153-156.
[62]

Arafah M, Phillips I, Adnane A, et al. An enhanced BiGAN architecture for network intrusion detection[J]. Knowledge-Based Systems, 2025, 314. DOI: 10.1016/j.knosys.2025.113178.
[63]

Hinton G E. Learning distributed representations of concepts[C]// Proceedings of the 8th Annual Conference of the Cognitive Science Society. Amherst: Cognitive Science Society, 1986: 1-12.
[64]

Vincent P, Larochelle H, Bengio Y, et al. Extracting and composing robust features with denoisingautoencoders[C]// Proceedings of the 25th International Conference on Machine Learning-ICML. Helsinki: ACM Press, 2008: 1096-1103.
[65]

Masci J, Meier U, Ciresan D, et al. Stacked convolutional auto-encoders for hierarchical feature extraction[M]. Verlag: Springer, 2011.
[66]

Kingma D P, Welling M. Auto-encoding variationalbayes[J]. arXiv Preprint, arXiv: 1706.23037, 2022.
[67]

Andresini G, Appice A, Malerba D. Autoencoder-based deep metric learning for network intrusiondetection[J]. Information Sciences, 2021, 569: 706-727.
[68]

Yashwanth T, Ashwini K, Chaithanya G S, et al. Network intrusion detection using auto-encoder neural networks and MLP[C]// Third International Conference on Distributed Computing and Electrical Circuits and Electronics. Ballari: IEEE, 2024: 1-6.
[69]

Yang Y, Zheng K, Wu C, et al. Building an effective intrusion detection system using the modified density peak clustering algorithm and deep belief networks[J]. Applied Sciences, 2019, 9(2). DOI: 10.3390/app9020238.
[70]

Zhang H, Li Y, Lü Z, et al. A real-time and ubiquitous network attack detection based on deep belief network and support vectormachine[J]. IEEE/CAA Journal of Automatica Sinica, 2020, 7(3): 790-799.
[71]

Chen A, Fu Y, Zheng X, et al. An efficient network behavior anomaly detection using a hybrid DBN-LSTM network[J]. Compu-ters & Security, 2022, 114. DOI: 10.1016/j.cose.2021.102600.
[72]

Cai Z, Dai Y, Zhang J, et al. SA-ResNet: an intrusion detection method based on spatial attention mechanism and residual neural network fusion[J]. Computers, Materials & Continua, 2025, 83(2). DOI: 10.32604/cmc.2025.061206.
[73]

李奕蒙, 滑斌. 基于LiCNN与BiLSTM的物联网入侵检测系统[J]. 物联网技术, 2024, 14(10): 45-50.
[74]

Li Yimeng, Hua Bing. IoT intrusion detection system based on LiCNN and BiLSTM[J]. Internet of Things Technologies, 2024, 14(10): 45-50.
[75]

蔡立志, 王晓宇, 杨康, 等. 基于多特征融合的物联网入侵检测系统[J]. 计算机技术与发展, 2025, 35(9): 85-92.
[76]

Cai Lizhi, Wang Xiaoyu, Yang Kang, et al. An IoT intrusion detection system based on multiple feature fusion[J]. Computer Technology and Development, 2025, 35(9): 85-92.
[77]

张涵, 么新鹏, 范颂, 等. 基于深度学习与区块链的物联网入侵检测[J]. 信息技术, 2025(5): 122-129.
[78]

Zhang Han, Yao Xinpeng, Fan Song, et al. Deep learning and blockchain based intrusion detection for IoT[J]. Information Technology, 2025(5): 122-129.
[79]

郭健忠, 王灿, 谢斌, 等. 面向车联网DoS攻击的混合入侵检测系统[J]. 计算机系统应用, 2025, 34(3): 85-93.
[80]

Guo Jianzhong, Wang Can, Xie Bin, et al. Hybrid intrusion detection system for DoS attacks in internet of vehicles[J]. Compu-ter Systems & Applications, 2025, 34(3): 85-93.
[81]

银鹰, 周志洪, 姚立红. 基于LSTM的CAN入侵检测模型研究[J]. 信息网络安全, 2022, 22(12): 57-66.
[82]

Yin Ying, Zhou Zhihong, Yao Lihong. Research on LSTM-based CAN intrusion detection model[J]. Netinfo Security, 2022, 22(12): 57-66.
[83]

王浩轩, 苏圣超, 崔文霞. 基于GAN-Transformer的车载网络入侵检测算法[J]. 计算机工程与设计, 2025, 46(6): 1710-1716.
[84]

Wang Haoxuan, Su Shengchao, Cui Wenxia. Vehicle CAN bus intrusion detection algorithm basedon GAN-Transforme[J]. Computer Engineering and Design, 2025, 46(6): 1710-1716.
[85]

付钰, 王坤, 段雪源, 等. 面向软件定义网络的异常流量检测研究综述[J]. 通信学报, 2024, 45(3): 208-226.
[86]

Fu Yu, Wang Kun, Duan Xueyuan, et al. Survey of research on abnormal traffic detection for software defined networks[J]. Journal on Communications, 2024, 45(3): 208-226.
[87]

Tayfour O E, Mubarakali A, Tayfour A E, et al. Adapting deep learning-LSTM method using optimized dataset in SDN controller for secure IoT[J]. Soft Computing, 2023, 5: 1-9.
[88]

Long Z, Jinsong W. A hybrid method of entropy and SSAE-SVM based DDoS detection and mitigation mechanism in SDN[J]. Computers & Security, 2022, 115. DOI: 10.1016/j.cose.2022.102604.

基金资助

武警部队军事训练实战化理论项目(WJJY23JL0405)

PDF (4294KB)

44

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录