基于生成对抗网络辅助的计算机网络主动式入侵检测方法

摘要

【目的】在5G、物联网与工业互联网深度融合背景下，网络攻击方式日趋复杂与隐蔽。传统入侵检测方法受特征共线性引发的非稳态分布影响，难以实现高覆盖率与高稳定性的主动防御。为提升复杂网络环境下主动式入侵行为的检测能力，本文提出一种高效的计算机网络主动式入侵检测方法，以提高入侵检测的全面性、稳定性与实时性，为人工智能与网络安全的深度融合提供技术支撑。【方法】本文构建了三级递进式主动入侵检测框架。采用孤立森林(isolation forest, iForest)算法对历史入侵数据包进行离群点清洗与特征规范化，通过构建多棵隔离树并计算样本路径长度异常得分，实现噪声样本识别与剔除，从而构建高质量训练数据集。引入阻尼增量统计算法，通过基于时间衰减的动态权重机制对入侵行为时序特征进行聚合，缓解特征流非稳态分布问题，增强模型对网络环境动态变化的适应能力。构建基于生成对抗网络的半监督异常检测模型GANomaly,融合引入注意力机制的生成器、卷积解码器及判别器进行对抗训练，并结合特征匹配损失、上下文损失与编码器损失进行联合优化；同时设计异常分数函数与自适应阈值机制，实现对主动式入侵行为的实时识别与精准告警。【结果】实验基于公开数据集与仿真环境开展，从入侵模式区分能力、流量损耗感知能力及检测覆盖率3个方面对本文方法进行评估。结果表明：在戴维森堡丁指数指标上，本文方法显著低于对比方法，说明其对不同类型入侵行为具有更优的区分能力；在流量损耗检测实验中，本文方法预测曲线与真实曲线之间的相关系数达到0.94,优于对比方法；在检测覆盖率方面，本文方法的覆盖指标C值始终稳定保持为1,能够实现对各类主动式入侵行为的全面覆盖，体现出较好的检测稳定性与鲁棒性。【结论】本文方法通过iForest算法提升训练数据质量，利用阻尼增量统计增强模型对动态特征变化的适应能力，并借助GANomaly模型实现半监督高精度异常检测，有效缓解了特征共线性导致的非稳态分布及样本不平衡问题。实验结果表明，本文方法在检测全面性、稳定性与实时性方面均优于对比方法，具备较好的工程应用价值，可为构建高效、可靠的主动式网络入侵检测系统提供新的技术路径，并为智能安全防御体系向自适应、高覆盖方向发展提供参考。

关键词

生成对抗网络 / 主动式入侵检测 / 孤立森林算法 / 特征动态聚合 / 半监督异常检测 / 异常分数函数 / 自适应阈值

基金资助

广东省自然科学基金项目(2023A030313225)