TAG-Net攻击检测模型

检测准确率99.99%

用时间注意力与残差连接重构GRU的门控机制，在高维时序流量数据上实现更准更快的网络安全态势评估。

杨昌松 · Yingcong, Lan · 丁勇 · Liu, Yueling · Liu, Ziyi

IEEE Internet of Things Journal 2026

参数信息

检测准确率（NSL-KDD）

81.87 %

检测准确率（UNSW-NB15）

98.28 %

检测准确率（Bot-IoT）

99.99 %

技术优势

准确率够高

在三个数据集上均取得领先准确率，其中Bot-IoT达到99.99%，逼近理论极限。

训练成本低

时间注意力机制以线性复杂度完成特征提取，避免二次复杂度带来的计算负担，适合大规模流量数据。

门控更协调

用时间注意力和残差连接代替标准GRU的重置门与更新门，缓解了两者之间的冲突，可能提升训练稳定性和效果。

应用场景

• 物联网安全防护：直接用于物联网设备流量监测，高准确率拦截攻击。
• 入侵检测系统：作为检测引擎集成到IDS中，实时识别入侵行为。
• 网络流量分析：高效处理大规模高维流量，提取时序特征用于分析。
• 安全态势感知：提升态势评估准确率，为安全决策提供可靠依据。