编辑推荐：
为解决元宇宙环境下网络入侵检测面临的数据不平衡、模型设计依赖专家经验等问题，研究人员开展了基于自适应多目标进化生成对抗网络（AME-GAN）的元宇宙网络入侵检测研究。结果显示 AME-GAN 性能优于现有方法，这为增强元宇宙网络安全提供了新途径。
在当今数字化时代，元宇宙的兴起让人们仿佛踏入了一个全新的虚拟世界。在这里，人们可以借助多设备和多传感器协作，实现跨越现实的娱乐与工作体验。然而，元宇宙与物联网（IoT）的深度融合，也如同打开了 “潘多拉魔盒”，带来了诸多网络安全隐患。大量物联网设备接入元宇宙，因其硬件设计简单，极易遭受攻击。同时，元宇宙中的去中心化区块链技术，使得虚拟资产交易频繁，成为攻击者觊觎的目标。网络入侵检测（NID）算法作为网络安全的 “守护者”，在元宇宙环境下却面临着严峻挑战。传统的基于签名和异常的 NID 算法，要么对新型攻击检测乏力，要么容易产生大量误报。而现有的深度学习（DL） - 基于的 NID 算法，虽然在特征提取上有一定优势，但训练数据集存在严重的数据不平衡问题，不同类型威胁的检测精度差异大，并且模型开发高度依赖专家经验，手动调整参数耗时费力，还难以获得最优架构。
为了攻克这些难题，研究人员开展了基于自适应多目标进化生成对抗网络（AME-GAN）的元宇宙网络入侵检测研究。他们提出的 AME-GAN 算法，为元宇宙网络安全带来了新的曙光。该研究成果发表在《Research》上，为元宇宙的安全发展提供了重要的理论和技术支持。
在研究方法上，研究人员主要运用了以下关键技术：一是提出了基于反比例混合注意力长短期记忆生成对抗网络（IPHA LSTM-GAN），利用 LSTM 捕捉网络流量时间序列的长期依赖关系，通过多头自注意力机制（MSA）增强全局 - 局部特征学习能力，还采用反比例生成（IPG）策略解决数据不平衡问题；二是设计了基于 GAN 的超网自适应进化策略（SAES），通过多种变异算子对超网进行变异，自动确定生成器和判别器超网的进化方向，提高训练稳定性；三是采用双突变多目标神经架构搜索（DMM NAS）算法，设置多个优化目标，利用双突变采样（DMS）方法增加子网种群多样性，搜索最优的生成器和判别器架构。
研究结果如下：
- 模型性能对比：通过在 NSL-KDD、UNSW-NB15 和 CIC-IDS2017 数据集上的实验，将 AME-GAN 与多种典型和多目标进化的 NID 算法进行对比。结果表明，AME-GAN 在几乎所有评估指标上表现更优，检测准确率分别达到 79.17%、77.97% 和 99.75% ，相比其他算法有显著提升。
- 模型多样性分析：对比 DMS 方法和最大采样方法，发现 DMS 生成的非支配解集超体积（HV）值更高，增加了采样多样性，有助于搜索更优的子网架构。并且通过模糊决策方法得到的最终 GAN 架构能够自动跳过特定的 Transformer 块（TB），实现模型性能和速度的平衡。
- 消融研究：对模型的各个模块进行消融研究，结果显示 Transformer 模块增强了时空特征提取能力，IPG 模块有效改善数据不平衡问题，DMM NAS 模块显著提升了检测准确率，同时优化了计算延迟。
研究结论和讨论部分指出，AME-GAN 能够根据元宇宙设备的实际计算能力进行优化，IPG 策略解决了 GAN 样本生成的随机性和数据不平衡问题，SAES 提供了更稳定的训练，DMM NAS 在子网种群多样性和最优模型搜索方面表现出色。然而，该研究也存在一定局限性，如搜索空间限制在特征提取网络，DMS 方法计算成本较高等。未来的研究可以聚焦于改进采样子网多样性、减少搜索时间，以及利用模型压缩、量化和边缘计算等技术优化模型部署，使元宇宙 NID 模型能在硬件资源有限的设备上高效运行。总的来说，这项研究为元宇宙网络入侵检测提供了创新的解决方案，对推动元宇宙的安全发展具有重要意义。
