基于主动学习、元启发式特征选择与Transformer的自适应软件定义网络入侵检测框架

《Scientific Reports》：Adaptive active learning and metaheuristic-optimized transformer framework for robust intrusion detection in software-defined networks

　　

摘要

现有的入侵检测系统主要依赖于静态监督学习模型，这些模型需要大量标记数据和定期重新训练。此类方法难以适应动态软件定义网络中不断演变的攻击模式。为了克服这些局限性，本研究提出了一种自适应入侵检测框架，该框架在统一的软件定义网络架构中整合了不确定性驱动的主动学习、基于元启发式的特征选择、基于Transformer的攻击分类以及自适应超参数优化。与传统自适应入侵检测系统依赖静态特征表示或固定学习策略不同，所提出的框架持续优化训练数据和模型配置，以提高对不断演变的网络攻击的鲁棒性。该框架迭代地识别具有信息量的样本用于标注，使用自适应搜索优化特征子集，并持续更新分类器以在变化的流量分布下保持高检测性能。所提出的系统使用ToN-IoT数据集和额外的真实世界流量追踪进行了评估。在基准和真实网络流量数据集上的实验评估表明，检测准确率高达97.92%，F1分数为97.10%。尽管优化阶段增加了离线训练时间，但优化后的模型在部署期间仍保持高效的推理能力，使其适用于实际的软件定义网络环境。性能通过五次独立运行进行了评估，使用了不同的随机初始化种子。尽管优化和主动学习阶段增加了离线训练时间，但优化后的模型在部署期间仍保持高效的推理能力。性能通过五次独立运行进行了评估，使用了不同的随机初始化种子。结果表明，自适应样本获取、特征选择和超参数优化的互补使用为软件定义网络环境提供了一个有效的入侵检测框架。