SE-TransNet：一种结合SENet的新型Transformer网络入侵检测方法

摘要

在数字化时代，网络安全的重要性愈发显著，尤其是网络入侵检测（Network Intrusion Detection, NID）作为保障网络安全的核心环节。传统NID系统在检测效率与准确性方面表现不足，难以适应日益复杂多变的网络环境，因此需要创新解决方案以强化网络安全防护。文章提出了SE-TransNet：一种结合SENet的新型Transformer网格入侵检测方法。引入Transformer架构，增强模型处理长序列数据的能力，提升对网络流量时序特征的捕捉；将选择性注意力机制（SENet）集成于Transformer，通过自适应调整通道权重，强化特征表示，突出关键特征，加快响应速度。在CIC-IDS2017数据集上的实验显示，SE-TransNet实现了99.37%的准确率，较Transformer-CNN等模型提高0.50%～9.13%，证明了其在提升NID效率和准确性方面的优势。研究结果为网络安全提供了一定的技术支撑。

关键词

网络入侵检测 / 深度学习 / 卷积神经网络 / 选择性注意力机制 / Transformer