基于掩码自监督学习的CONV-BiLSTM入侵检测方法

吴世钜; 柳毅

doi:10.16339/j.cnki.jsjsyzdh.202601026

计算技术与自动化 ›› 2026, Vol. 45 ›› Issue (1) : 164 -170. DOI: 10.16339/j.cnki.jsjsyzdh.202601026

基于掩码自监督学习的CONV-BiLSTM入侵检测方法

吴世钜, 柳毅

作者信息 +

Author information +

文章历史 +

PDF

摘要

针对入侵检测数据集分类数量不平衡问题，提出了一种基于掩码自监督学习的CONV-LSTM入侵检测方法。首先对数据训练集部分标签进行屏蔽，提高模型预测性能。然后通过卷积注意力自编码对数据特征进行降维和重构，提取数据空间特征；再结合双层Bi-LSTM提取数据时间特征，实现由粗粒度到细粒度的学习。同时针对数据集部分攻击种类数量过少的情况，提出使用均衡化损失v2损失函数进行训练，来增加少数种类权重，提高其预测召回率。通过对UNSW-NB15数据集的实验结果表明，该方法在二分类和多分类任务准确率达到96.57%和86.46%。对比其他方法，本文提出的方法在准确率、检测率、误报率以及数据各个分类的召回率表现更好。