.png){kind=icon}
返回
A semi-supervised framework for class-imbalanced network intrusion detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2026.116009.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络入侵检测面临数据不平衡导致检测性能下降和大量未标记数据未充分利用的双重挑战。为解决这些挑战，本文提出了一种半监督的类感知时空图注意力框架。该框架采用图注意力机制来建模主机之间的空间交互拓扑，并在时序编码器的注意力计算过程中，结合时序掩码约束以及由预测概率分布驱动的类感知调制机制。这增强了少数类行为的时序显著性，并缓解了数据不平衡引起的注意力偏差。此外，在训练过程中，指数移动平均（EMA）教师网络生成稳定的软伪标签，结合教师-学生一致性学习策略，指导不平衡感知表示的学习，有效揭示未标记流量中的潜在结构模式。在包括UNSW-NB15、CTU-13、BoT-IoT和CICIDS2018在内的四个不平衡入侵检测数据集上的实验结果表明，CA-STGAT在宏查全率、宏F1、假阴性率和假阳性率方面均表现出持续强效且平衡的检测性能。
Keyword:
Intrusion detection system (IDS)
Semi-supervised learning
Class imbalance
Attention mechanism
