面向不平衡数据的二阶段网络入侵检测新方法

来源：系统工程与电子技术杂志2025年第6期北京时间：

作者：魏波, 胡财富, 任芮彬

单位：1. 西南交通大学数学学院, 四川 成都 611756；2. 西南交通大学信息科学与技术学院, 四川 成都 611756

摘要：虽然目前许多网络流量入侵检测模型已具有较高的检测率, 但仍存在对不平衡异常网络流量的检测率低、泛化性差等问题。因此, 提出一种面向数据不平衡的二阶段网络入侵检测方法。在第一阶段, 训练随机森林集成模型, 对网络流量进行初步的正常和异常二分类检测, 初步缓解正常流量与异常流量分布不平衡对模型训练的影响; 在第二阶段, 使用原始异常流量数据训练一维卷积神经网络-双向长短期记忆模型, 在模型训练阶段聚焦学习异常流量的关键特征, 同时引入焦点损失函数, 使得模型能够同时关注异常流量中的难分类样本和少数类样本, 进一步缓解异常流量数据分布不平衡对检测精度的影响。为了验证方法的有效性, 在UNSW2015和CIC-IDS2017数据集上进行实验验证。实验结果表明, 所提算法可以更好地提取数据特征, 在一定程度上缓解数据分布不平衡问题。与其他同类方法相比, 所提方法的整体性能较好, 且加权平均F1分数的得分提高了0.9%, 宏平均F1分数的得分提高了2.7%。

关键词：入侵检测,不平衡样本,神经网络,焦点损失

基金资助：国家自然科学基金(U20B2070);国家自然科学基金(U23B2013)