基于GADF与MobileViT-RMF的网络入侵检测模型

摘要

针对现有基于流量图像化的网络入侵检测方法存在时序关联表达不足、特征表征能力有限以及轻量化模型检测精度受限等问题，提出一种融合格拉姆角差场（Gramian Angular Difference Field, GADF）与残差多粒度聚焦模块（Residual Multi-grain Focus, RMF）的轻量化网络入侵检测模型MobileViT-RMF。该方法首先将网络流量的一维特征序列映射为具有时空关联性的二维GADF图像，以增强流量演化信息和类别差异特征的表达能力；随后在MobileViT轻量化骨干网络中嵌入RMF模块，通过多粒度特征聚焦机制强化局部关键信息提取与全局上下文建模，从而提升模型对复杂流量图像的判别能力。围绕CICIDS2017和UNSW-NB15两个公开数据集开展了实验验证。实验结果显示，所提模型在CICIDS2017数据集上的检测准确率达到99.75%，较基线模型MobileViT＿V3＿xxs提高2.74百分点；在UNSW-NB15数据集上的峰值准确率达到99.89%，体现出较好的跨数据集检测性能。研究结果表明，将GADF流量图像表示与RMF特征增强机制相结合，能够在保持模型轻量化特征的同时，提高网络流量图像的表征质量和分类性能，可为轻量化网络入侵检测模型的设计提供参考。

关键词

入侵检测 / 轻量化网络 / 图像分类 / MobileViT