基于CNN–BiGRU、NERA与CADEGF的鲁棒多类DDoS和欺诈检测

《Frontiers in Artificial Intelligence》：Robust multi-class DDoS and fraud detection using a Context-Adaptive Deep Evolutionary Game Framework with CNN–BiGRU

　　

分布式拒绝服务（Distributed Denial of Service, DDoS）攻击已成为现代计算机网络中的严重威胁，其通常可与其他类型攻击集成，以规避传统设备检测。现有基于深度学习的入侵检测方法具有较高识别能力。然而，它们也高度易受对抗攻击影响，即使对特征进行轻微扰动，也可欺骗模型导致误分类。为解决这些问题，本研究引入一种混合深度学习框架。该框架集成卷积神经网络（Convolutional Neural Networks, CNN）与双向门控循环单元（Bidirectional Gated Recurrent Units, BiGRU），以实时检测多样化攻击类型。CNN提取空间交互以建模流量特征，而BiGRU作为一种循环神经网络（Recurrent Neural Network, RNN），建模数据流中的时间依赖。该组合使模型能够捕获网络流量中复杂的时空行为模式。为解决类别不平衡，研究人员提出一种新的神经演化重采样算法（Neuro-Evolutionary Resampling Algorithm, NERA）。该方法利用神经密度估计与演化优化生成平衡、噪声过滤的训练样本。此外，设计一种上下文自适应深度演化博弈框架（Context-Adaptive Deep Evolutionary Game Framework, CADEGF）以提高攻击抵抗力。其通过模拟攻击者与防御者之间的交互来实现，也使用博弈论思想调整检测阈值。实验结果表明，该方法实现高分类准确率，有效检测少数类，并突出少数类检测与对抗鲁棒性之间的权衡，指示NERA有益或损害韧性的情境。NERA、CNN-BiGRU与CADEGF的集成协同建立了一种情境感知、自适应防御模型，以平衡性能与对抗鲁棒性，推进智能入侵检测。

一、研究背景与问题

随着数字服务与云计算系统快速扩展，网络空间成为全球贸易、通信和治理的支柱，但网络暴露面也随之增加。DDoS攻击通过恶意或非实体流量饱和服务器和传输链路，阻碍合法客户端访问，并造成巨大运营与财务损失。攻击已从低流量体积洪泛发展为高级应用层攻击和多向量活动，且常与身份盗用、金融欺诈及其他利用方式交织，形成更复杂的复合威胁。传统基于签名的入侵检测系统（Intrusion Detection Systems, IDS）无法检测新的或零日攻击；机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）可直接从网络流量检测恶意行为，但通常关注全局准确率，忽视少数类检测。真实网络数据类别不平衡严重，良性流量和标准DDoS流量多，欺诈相关样本少，导致模型偏向多数类，欺诈和Fraud-under-DDoS流量检测很差。网络流量同时具有空间相关性与时间依赖，攻击者持续改变流量特征以逃避检测。对抗机器学习表明，即使轻微、精心设计的扰动也可操纵强分类器，造成严重误分类。现代网络数据集包含数百万记录和高维特征，检测模型必须大规模、稳健且准确运行。因此，研究人员开展本研究，以同时应对少数类检测和对抗操纵鲁棒性两个关键挑战。

二、研究开展、结论与意义

研究人员提出一个混合建模框架，将CNN-BiGRU深度学习模型、NERA重采样与CADEGF结合。CNN-BiGRU引入空间位置特征和网络流量时间信息，以检测复杂攻击行为；NERA结合神经密度估计与演化优化，生成平衡、噪声过滤的训练样本；CADEGF通过演化优化建模攻击者-防御者交互，并动态调整检测阈值，以增强对抗弹性。研究在五个基准数据集上评估，并进行实时网络攻击仿真。结论显示，该框架实现高分类准确率，有效检测少数类，并揭示少数类检测与对抗鲁棒性之间的权衡；NERA、CNN-BiGRU与CADEGF的协同建立了上下文感知、自适应防御模型，可推进智能入侵检测，并在平衡性能与对抗鲁棒性方面具有重要意义。

三、关键技术方法概括

使用五个公开网络安全数据集：CIC-DDoS2019、CIC-IDS2017、CSE-CIC-IDS2018、TON_IoT与UNSW-NB15；其中CIC系列来自Canadian Institute for Cybersecurity，TON_IoT来自University of New South Wales（UNSW）与Commonwealth Scientific and Industrial Research Organization（CSIRO），UNSW-NB15来自Australian Center for Cyber Security。因原数据无Fraud-only和Fraud-under-DDoS原生标签，研究人员用基于规则评分系统派生标签，并经专家复核和Kolmogorov–Smirnov检验。流程包括数据清洗、缺失与无限值处理、常量特征移除、标签编码、归一化、相关特征选择与序列重塑；随后使用NERA、CNN–BiGRU与CADEGF；最后用hping3进行实时SYN flood仿真。

四、研究结果

4.1 实验设置
研究按80%训练、20%测试划分，并使用平衡与不平衡测试集评估模型强度；硬件为Intel i9、32 GB RAM、NVIDIA RTX 3090，软件为Python 3.10、TensorFlow 2.13、Scikit-learn 1.3和CUDA 11.8。超参数包括批大小512、150轮、Adam优化器学习率0.001、Dropout 0.4、GRU隐藏单元128、CNN核大小3、CNN使用ReLU、GRU使用Tanh、损失为分类交叉熵。该设置用于在现实Fraud-under-DDoS条件下评估模型强度与性能。

4.2 模型性能：重采样与未重采样
研究人员比较五个数据集在使用与不使用NERA时的训练动态。准确率和损失曲线显示，使用NERA后训练稳定性和收敛行为改善。重采样数据上，各类的精确率、召回率和F1分数为0.88–1.00；未重采样数据上少数类明显困难，例如Fraud-under-DDoS在部分指标中为0.00，部分场景召回率0.19、F1分数0.30。混淆矩阵显示，重采样后主对角线值高，Fraud-under-DDoS分类正确；未重采样时大量Benign和Fraud-only被误分为DDoS-only，Fraud-under-DDoS常被完全误分类或忽略。ROC曲线显示AUC为0.96–1.00；CIC-DDoS2019和CIC-IDS2017接近或等于1.00，IDS2018和TON-IoT达到1.00，UNSW-NB15为0.93–1.00。结论是，NERA对类别不平衡下的平衡准确率和少数类检测十分必要。

4.3 博弈论评估
CADEGF在五个基准数据集、NERA与无NERA两种训练场景下测试；对连续网络特征加入高斯噪声（ε=0.1）模拟逃逸攻击。结果显示，NERA提升少数类检测，但可增加对对抗扰动的敏感性。CIC-DDoS2019中，使用NERA时AUC_Clean=0.9996、AUC_Evaded=0.9604、退化0.0392、逃逸成功率0.0191；不使用NERA时为0.9981、0.9944、0.0036、0.0038。CIC-IDS2017中，使用NERA时AUC_Clean=0.9962、AUC_Evaded=0.7527、退化0.2435、逃逸成功率0.1210；不使用NERA时为0.9998、0.9527、0.0471、0.0243。UNSW-NB15和TON_IoT退化均为0.0000。演化优化产生的最佳检测阈值为0.100。CADEGF可降低对抗AUC退化，正文中为15%–20%，贡献总结中为15%–30%。结论是，少数类表示与对抗鲁棒性存在基本权衡，NERA应在少数类检测重要的情境中选择性应用，并可结合额外防御机制。

4.4 使用hping3仿真的实时DDoS检测案例研究
研究人员在受控虚拟化测试床中进行实时网络攻击仿真：攻击机运行Kali Linux，目标服务器运行Ubuntu，部署于VMware。攻击机使用hping3生成SYN flood型DDoS流量，随机源IP，30–90 s期间超过20,000 pps，实验持续120 s。正常流量为400–600 pps。基于5 s移动平均和1,502 pps可调阈值，平滑流量超过阈值时报警；异常分数阈值1.0可捕获攻击期，系统在60–90 s内从“Normal”切换为“ALERT”。移动平均阈值1,502 pps与博弈论最优阈值τ=0.100一致。结论是，CNN-BiGRU+CADEGF框架可有效泛化到实时hping3生成的DDoS攻击。

对比与消融结果显示，与CNN-LSTM、CNN-GRU、Attention-BiGRU-InceptionCNN和Transformer-IDS基线相比，本框架在CIC-DDoS2019达到0.9996准确率和0.989少数类F1，在CIC-IDS2017达到0.9962和0.978。消融显示NERA对少数类检测贡献最大，F1提升0.133；CADEGF对对抗鲁棒性贡献最大，逃逸下AUC提升0.055；完整框架AUC_Evaded退化0.0392，而CNN-BiGRU+NERA无CADEGF为0.061。5折交叉验证中，完整模型与最佳基线的p值均小于0.001。计算成本方面，总训练4.2 h，推理20 ms/batch，内存6.1 GB；CNN-BiGRU为3.2 h、12 ms/batch、2.1 GB，NERA为0.8 h、3.5 GB，CADEGF为0.2 h、8 ms/batch、0.5 GB。系统每秒可处理25,600个样本；CADEGF异步优化，计算开销小。

五、讨论与结论翻译

讨论部分总结：最大方法局限是依赖派生欺诈标签，因为基准数据集缺乏Fraud-only和Fraud-under-DDoS原生标签；这些标签由启发式规则产生，虽经专家复核和统计验证，仍需在具有真实欺诈标签的数据集上验证。NERA平均提升少数类F1分数0.25–0.40，但增加对抗AUC退化0.01–0.20；CADEGF补偿其中15%–30%；当少数类检测重要时净收益为正。未来工作包括实时流网络部署、SDN控制器验证、微捐赠欺诈检测、对抗训练、防御GAN和强化学习攻击、引入可解释人工智能（Explainable AI, XAI）、扩展到NF-UQ-NIDS-v2和CIC-Bell-DNS-2021，以及联邦学习等。

研究结论部分翻译：本研究提出并评估了一个有效的入侵检测框架，以解决类别不平衡、对抗逃逸和时空特征提取等关键挑战。该框架将CNN–BiGRU、NERA与CADEGF集成为协同元素，用于鲁棒入侵检测。CNN–BiGRU学习网络流的互补空间和时间特征，以改善对复杂攻击行为（如Fraud-under-DDoS攻击）的检测。NERA结合神经密度估计和演化优化，生成平衡训练分布，同时减少多数类偏差，这有助于在推理时改善代表性不足类别，而不牺牲精确率。CADEGF建模攻击者–防御者交互，并动态调整检测阈值以适应不断演化的逃逸策略，从而提高对抗鲁棒性。在五个异构基准数据集上的实验结果表明，分类准确率和对抗鲁棒性之间取得了良好权衡。研究人员还进行了受控实时网络攻击仿真，在现实部署环境中展示框架运行可行性，以评估其在真实网络条件下的可行性。除CIC-IDS2017在逃逸下准确率为0.738外，所有数据集的最坏情况性能保持高于0.985准确率，表明即使在对抗条件下系统仍保持强检测能力。一个重要未来步骤是在实时流网络环境中部署和评估该框架，例如在软件定义网络（Software-Defined Networking, SDN）控制器上，以验证运行时延迟、吞吐量和真实数据效率。另一条研究路径是将该框架适配到微捐赠欺诈检测。未来将纳入对抗训练更新技术，包括防御生成对抗网络（Generative Adversarial Networks, GANs）和强化学习攻击。此外，引入XAI技术对于将模型从黑箱转变为安全分析师可理解工具至关重要。未来工作应扩展到NF-UQ-NIDS-v2和CIC-Bell-DNS-2021等新兴数据集，以进一步建立泛化性。联邦学习架构的另一个好处是敏感数据无需传输到中心位置进行协作模型训练。最后，该混合自适应方法的核心概念可应用于其他网络安全领域，如内部威胁分析、钓鱼检测和恶意软件分类，提供针对多种威胁的多用途防御机制。