对抗学习辅助增强的增量式入侵检测系统

作     者：武晓栋 金志刚 陈旭阳 刘凯 WU Xiaodong;JIN Zhigang;CHEN Xuyang;LIU Kai

作者机构：天津大学电气自动化与信息工程学院天津300072 

基　　金：国家自然科学基金(52171337) 

出 版 物：《哈尔滨工业大学学报》 (Journal of Harbin Institute of Technology)

年 卷 期：2024年第56卷第9期

页      码：31-37,84页

摘      要：为解决增量式入侵检测系统(intrusion detection system,IDS)在检测新类攻击过程中存在的新类过拟合、旧类泛化能力弱、灾难性遗忘问题,提出了对抗辅助增强的增量式IDS。在增量训练过程中,利用对抗样本的正则化能力约束检测模型在新类攻击上的过拟合,设计同时存储旧类攻击的原样本及对抗样本的双分布模拟缓存器以增强检测模型对旧类的泛化能力,引入加权交叉熵损失缓解灾难性遗忘问题。在CSE-CIC-IDS2018数据集和UNSW-NB15数据集上的实验结果表明:对抗样本直接参与训练会导致模型的识别性能恶化,而对抗样本以数据分布分离的形式参与训练则增强了模型的识别性能;对抗样本在缓存器中的存储有效抑制了模型对旧类泛化能力的丢失;加权交叉熵损失对学习权重的调整缓解了新类及缓存器内数据间的不平衡所导致的灾难性遗忘。所提方法为识别动态复杂网络环境中的真实攻击提供了可行方案,具有潜在的应用价值。

主 题 词：入侵检测 深度学习 增量学习 对抗学习 灾难性遗忘 

学科分类：0839[0839] 08[工学] 

核心收录：

D　O　I：10.11918/202403066

馆 藏 号：203140448...