基于无监督特征提取与多智能体自注意力机制的6G面向物联网轻量级多模态入侵检测方法

《IEEE Open Journal of the Communications Society》：Lightweight Multimodal Intrusion Detection Method for 6G-Oriented IoT Networks Based on Unsupervised Feature Extraction and Multi-Agent Self-Attention Mechanism

　　

摘要：

6G网络的演进趋势是整合视觉、上下文以及网络属性等多模态数据。为满足面向6G的物联网场景对低延迟和轻量级安全性的要求，本文提出了一种基于无监督特征选择与多智能体自注意力机制的6G网络数据多模态入侵检测方法。该方法首先利用无监督深度信念网络在流粒度下选择并降低多模态流量特征的维度（整合视觉、上下文及网络属性数据），从而避免高维多模态数据带来的计算冗余。最终的入侵分类则通过在标记数据集上训练的有监督自注意力分类器来完成。接着，采用SMOTE-Tomek混合采样算法来平衡不平衡的6G多模态数据集的样本分布。此外，还设计了一种结合因果卷积的改进型多智能体自注意力机制：多智能体节点协同学习6G网络中分布式多模态数据的时空相关性，而因果卷积则弥补了传统自注意力机制中局部位置信息缺失的问题，从而实现正常流量与恶意流量的精准分类。在结合了6G多模态数据的IOT-23数据集上的实验表明，所提出的入侵检测方法的分类准确率可达98.43%，在笔记本电脑CPU上的处理时间仅为17.5秒。该方法满足了面向6G的物联网对超低延迟和轻量级的要求，为6G多模态及多智能体系统的稳定运行提供了高效的安全保障。