对比学习端到端入侵检测模型

未知攻击检出率95%

该模型通过对比学习放大良性与恶意流量的表示差异，可直接处理原始流量，免去人工特征工程，对未知攻击具备更强检测能力。

55328582 · Lu, Yuliang · Yang, Guozheng · Yan, Xuehu

Sensors 2024

参数信息

已知攻击检测准确率

99.9 %

未知攻击加权召回率

95 %

技术优势

未知攻击检出率更高

对比学习增强表示空间中良性与恶意流量的区分度，使模型对训练未见的攻击模式也能有效识别。

免去特征工程

分层 CNN-GRU 模型直接从原始流量数据自动提取时空特征，无需依赖人工设计的特征集。

对未知攻击更鲁棒

相比使用交叉熵损失训练的方法，该模型在未知攻击上表现出更强的检测能力。

应用场景

• 网络入侵检测：直接分析原始流量，实时检测已知和未知攻击，无需特征工程。
• 网络安全防护：提高对未知攻击的召回率，增强网络防线对新型威胁的鲁棒性。
• 工业控制系统安全：检测工控网络中的异常流量，对未见过的新攻击模式保持高召回。
• 工业物联网安全：在资源受限的工业物联网中直接处理原始流量，避免繁重的特征工程。
• 5G网络安全：适应5G流量高维复杂的特点，自动提取时空特征进行入侵检测。