一种基于优化专家混合架构的高效Net混合深度学习网络入侵检测框架

《Scientific Reports》：An EfficientNet hybrid deep learning detection framework of network intrusion with an optimized mixture-of-experts architecture

　　

摘要

现代网络化产品之间的互联性日益增强，随之而来的是高级网络威胁的增多。因此，需要开发既准确又具备高效计算能力、并能应对各种运行状况的入侵检测系统。本文提出了一种基于深度学习的入侵检测框架，该框架采用专家混合（MoE）结构，并结合基于EfficientNet的迁移学习技术。此外，还提出了一种改进版的addax优化算法（RAOA），用于在资源受限的情况下调整超参数。该框架的有效性通过包含网络流量和传感器数据在内的综合基准测试集进行了严格验证。与7种最先进的模型相比，所提出的方法取得了95.7%的较高宏观F1分数。同时，该模型的推理延迟仅为4.7毫秒，模型大小为21MB，这体现了其在资源有限环境中的适用性。这些结果表明，迁移学习、模块化网络设计以及智能优化技术可以结合使用，从而构建出最有效且实用的入侵检测系统，适用于大多数网络安全应用。