摘要
部署在动态环境中的网络入侵检测系统会面临不断变化的攻击方式和流量模式所带来的概念漂移问题，这会导致模型可靠性逐渐下降。持续学习为解决这一问题提供了适应性方案，但许多方法未能将漂移检测、内存更新与优化合理结合：通常使用低维统计量来判断漂移，而适应过程则发生在特征空间中，这在内存限制条件下会限制一致性。为了解决非平稳网络流量中的概念漂移问题以及在线入侵检测更新过程中的灾难性遗忘问题，我们提出了一种基于SSF的持续学习框架，该框架将特征空间高斯核最大均值差异法用于漂移检测，同时运用梯度匹配核心集来实现内存管理。该框架在保留策略性遗忘和稳态蒸馏机制的同时，用特征空间MMD替代低维漂移检测，用梯度匹配核心集替代基于掩码的选择方式，从而在内存预算有限的情况下提升增量更新效果。在NSL-KDD和UNSW-NB15数据集上，采用统一的多种子流式协议进行测试，该方法的检测性能和知识保留能力均有所提升。实验结果表明，梯度匹配核心集选择是提升性能的主要因素，而基于MDD的漂移调度和策略性遗忘的效果则取决于底层数据分布及漂移触发阈值。该框架通过批量级MDD调度来协调内存管理和在线优化，为构建稳健的持续入侵检测系统提供了实用路径。
