基于知识蒸馏的不平衡数据下入侵检测方法研究

摘要

基于深度学习的网络入侵检测模型面临模型结构复杂、部署效率低及流量数据类别不平衡的问题.针对这些问题，提出了1种结合知识蒸馏和类别权重焦点损失的网络入侵检测方法.该方法以精度高、参数量较多的入侵检测模型作为教师模型，与小型学生模型生成蒸馏损失；引入增加类别权重的焦点损失函数作为学生损失；结合蒸馏损失与学生损失生成总的损失函数优化学生模型.实验结果表明，该方法性能相较于非蒸馏模型在各项指标上均有一定提升.

关键词

入侵检测 / 深度学习 / 知识蒸馏 / 不平衡数据 / 焦点损失

基金资助

国家自然科学基金(61662089)