基于元学习与VAE-GAN的META-VAEGANDNN网络入侵检测方法OA

针对网络入侵检测中数据集不平衡导致少数类攻击识别困难的问题,本文提出一种基于元学习与变分自编码器生成对抗网络(VAE-GAN)的网络入侵检测方法META-VAEGAN-DNN。首先,构建META-VAEGAN数据增强模型以缓解数据集不平衡的问题;其次,提出差异化样本处理策略,并针对少数类样本设计渐进式质量筛选机制,在提升整体样本质量的同时确保少数类样本的有效生成;最后,通过结合通道注意力与多层残差连接的DNN模型对生成的平衡数据集进行分类。基于NSL-KDD数据集的实验表明,META-VAEGAN-DNN模型在网络攻击检测中的准确率、F1分数和AUC分别达到了89%,90%和98%;其中U2R类别的精确率和召回率分别提升至98%和99%;R2L类别的精确率和召回率分别提升至99%和73%,显著优于传统方法。在CIC-IDS-2017数据集上的辅助验证进一步证明了模型的通用性。