面向网络安全的鲁棒入侵检测系统：利用深度混合架构解决类别不平衡问题

《IEEE Networking Letters》：Towards Robust IDS in Network Security: Handling Class Imbalance With Deep Hybrid Architectures

网络攻击检测模型融合与优化研究，提出集成XGBoost、LSTM、MiniVGGNet和AlexNet的混合IDS框架，采用随机森林回归器进行特征筛选和DSSTE技术平衡类别分布，通过硬投票集成和MoE混合专家策略实现自适应加权，基于Keras Tuner和RandomizedSearchCV优化超参数，在CICIDS-2017数据集上实现99%以上检测率，AUC值接近1.0，验证了其在关键领域如无线健康监测系统的有效性|混合模型|入侵检测系统|特征选择|类别平衡|性能优化

　　

摘要：

随着网络攻击手段的日益复杂，入侵检测系统（IDS）需要具备高精度和适应多种网络威胁的能力。传统IDS由于网络流量数据集中的特征维度较高以及类别不平衡问题，常常导致性能下降。为了解决这些问题，我们提出了一个混合式IDS框架，该框架整合了四种优化模型（XGBoost、长短期记忆网络（Long Short-Term Memory）、MiniVGGNet和AlexNet），并通过基于随机森林回归器的特征选择以及困难样本采样技术（Difficult Set Sampling Technique, DSSTE）来实现类别平衡。采用了两种集成策略：硬投票集成（hard-voting Ensemble）和专家混合模型（Mixture of Experts, MoE），并引入了门控网络以实现自适应权重分配。通过Keras Tuner和RandomizedSearchCV进行全面的超参数调优，显著提升了模型性能。在CICIDS-2017数据集上的测试结果显示，该系统的检测率超过99%，微观平均AUC值接近1.0，证明了其在检测多数和少数类型入侵时的强大泛化能力与有效性。该框架对于安全关键领域具有重要的应用价值，尤其是在无线健康监测系统中，确保敏感数据的保密性和完整性至关重要，这进一步凸显了其在实际应用中的适用性。