基于大数定律的统计聚合增强轻量级异常入侵检测方法

《IEICE Transactions on Communications》：Exploiting the law of large numbers for resource-efficient volumetric intrusion detection

　　基于异常的入侵检测面临网络流量高方差和高复杂度的挑战，这常常导致异常流量被标准模型重建为"正常"流量。尽管现有方案利用深度时序架构来捕获上下文信息，但其计算密集性限制了在资源受限环境中的部署。本文提出了一种新颖且资源高效的检测技术，利用大数定律构建"复合流量"表示。通过将目标流量与其历史上下文进行统计聚合，我们抑制了正常流量的随机噪声，同时放大了相关异常的信号，使其偏离模型学习的流形。我们将该技术集成到轻量级自编码器中，并在CIC-IDS2017和CSE-CIC-IDS2018数据集上进行了评估。实验结果展示了革命性的改进：F1分数从0.672提升至0.950（2017年数据集），从0.151提升至0.813（2018年数据集）。这些发现表明，通过大数定律进行的统计数据增强，使轻量级模型无需复杂架构的开销即可达到前沿性能，为大规模网络安全提供了可扩展的解决方案。