基于改进的GAN与DL融合的入侵检测方法

来源：计算机技术与发展杂志2025年第05期北京时间：

作者：李柄军;陈帅良;段晓英;康凯*

摘要：在基于深度学习的入侵检测系统中,数据不平衡问题显著影响模型的准确性,导致其在识别少数类攻击样本时表现不佳。 为了解决这一问题,该文提出了一种改进的生成对抗网络(GAN)、卷积神经网络(CNN)和双向长短期记忆网络(Bi-LSTM)融合的 IGAN-CLSTM 方法。 具体而言,首先通过优化的 GAN 方法增强异常(攻击)样本的数量,从而平衡数据分布,提升模型的泛化能力;接着,结合 CNN 在空间特征提取和 Bi-LSTM 在序列数据处理方面的优势,进行复杂攻击模式的深度特征学习与时序建模,显著提高了模型的识别能力;最后,通过全连接网络(FCN)进行分类。 为验证该方法的有效性,在 UNSW-NB15 和 CSE-CIC-IDS2018 两个大规模数据集上进行了消融实验,结果表明,在保持相同深度学习模型参数和规模的前提下,该方法在准确率、精确度等多个评估指标上均优于其它模型,尤其在多分类任务中的少数类上有了显著提升,展示了其在实时入侵检测中的潜力和应用价值,也为未来网络安全领域的进一步探索提供了有力的支持和参考。

关键词：深度学习;入侵检测;生成对抗网络;卷积神经网络;双向长短期记忆网络;全连接网络