基于多尺度特征提取的网络入侵检测方法

来源：计算机技术与发展杂志2025年第06期北京时间：

作者：张鑫雯;邹瑞;宋成;李言

摘要：网络流量异常通常预示着潜在的网络入侵,但由于流量数据的高维度和时间波动性,捕捉其多尺度特征具有较大挑战。 为解决这一问题,该文提出了一种基于多尺度特征提取的 MSFE-DDR 模型。 该模型采用分解与重建的架构,首先通过预处理生成时间位置向量、趋势向量和特征向量。 其中,时间位置向量用于编码流量数据中的多尺度时间信息,使模型能够识别不同时间尺度上的波动特征,从而更好地捕捉流量的时序变化。 趋势向量则通过加权平均提取流量的稳定变化趋势。 接着,分解模块结合混合注意力和多头注意力机制,增强了特征表示的能力,以便更精准地捕捉复杂的时间动态。 为适应流量在工作日、周末及节假日等不同时间段的变化,设计了趋势偏移模块,通过在设定的窗口范围内计算流量数据的趋势分量,并将其从特征向量中减去,能够动态调整趋势向量的变化方向,更加灵活地捕捉流量的长期变化趋势。最后,重建模块将这三种向量进行融合,并通过多尺度记忆残差网络将不同卷积核的卷积结果进行融合,从而提取数据的多尺度特征。 实验结果表明,MSFE-DDR 模型在公开数据集 UNSW-NB15 和 NSL-KDD 上取得了显著的性能提升,证明了其在网络流量异常检测中的有效性和优越性。

关键词：网络入侵;多尺度特征;时间位置向量;趋势向量;混合注意力