基于自适应和多生成器的车联网入侵检测方法

来源：计算机测量与控制杂志2025年第12期北京时间：

作者：王荔,何立明,李茹

摘要：随着深度学习的发展入侵检测技术得到很大提升，但仍面临两大问题，一是在实际中网络攻击是不断变化的，导致训练好的模型难以检测最新的未知攻击。二是网络流量中的良性数据与攻击数据是不平衡的。鉴于此提出了ATGCB入侵检测模型。它由自适应模块和多生成器对抗网络组成。自适应模块是以无监督的方式检测数据漂移的聚类模型，当发现未知的攻击，生成模块将被激活以生成数据来训练新分类器。多生成器对抗网络用来生成伪数据，扩充少数类进而平衡数据集。在数据集CICIDS-2017和CSE-CICIDS-2018进行实验,结果表明，提出的方法在平衡数据后模型命中率达到97.56%，在面对漂移数据后命中率达到91.12%，由此证明方法在当下网络入侵检测中更加适用。

关键词：漂移数据;多生成器对抗网络;入侵检测;平衡数据集;注意力机制

基金资助：国家自然科学基金项目（面上项目，重点项目，重大项目）