结合Transformer的双向GRU入侵检测研究

来源：计算机工程与应用杂志2025年第10期北京时间：

作者：李道全, 刘旭寅, 刘嘉宇, 陈思慧

单位：青岛理工大学 信息与控制工程学院，山东 青岛 266520

摘要：在网络入侵检测系统中，以往的系统在特征提取时容易受到噪声特征的干扰，面对不平衡数据时对少数类样本边界区分不明显，同时检测模型容易错过重要时间点的信息。这些问题影响了模型的训练效果，降低了模型的检测性能。为应对这些挑战，提出了一种结合鸽群优化算法和边界合成少数过采样技术的Transformer-双向门控循环单元（bidirectional gated recurrent unit，BiGRU）混合模型。通过鸽群优化算法自动进行特征选择，以提升模型处理复杂数据集的能力，并降低噪声特征的干扰。采用边界合成少数过采样技术对数据进行平衡处理，特别是针对少数类样本，提高其在平衡数据集中的代表性和质量。构建了一个集成Transformer和BiGRU的深度学习模型来进行入侵检测，利用Transformer捕捉全局依赖关系的特征提取能力，同时借助BiGRU的时间序列建模能力来更好地理解序列数据的双向上下文关系。在NSL-KDD数据集上的实验结果表明，该模型展现出了良好的检测性能，准确率达到83.64%，F1分数为78.41%，均超过了对比的传统机器学习模型和深度学习模型。

关键词：鸽群优化算法,边界过采样,多头注意力,双向循环门控单元,入侵检测