基于递归图和MobileViT-AESTF的网络入侵检测模型OA

针对当前网络入侵检测中流量图像化导致的时序特征丢失以及轻量化模型在复杂攻击下识别精度不足的问题,提出一种基于递归图(Recurrence Plot,RP)与自适应高效时空融合模块(Adaptive Efficient Spatiotemporal Fusion,AESTF)的轻量化入侵检测模型MobileViT-AESTF。该方法利用相空间重构技术,通过递归图将一维流量时间序列映射为二维状态空间中的递归关系,有效保留了流量的非线性时序特征。针对MobileViT_V3在图像化流量处理中特征捕获能力不足的问题,设计了AESTF模块。该模块包含高效时空融合单元(Efficient Spatiotemporal Fusion,ESTF)和自适应特征激励器(Adaptive Feature Exciter,AFE),其中ESTF通过双路径异构注意力机制并行提取空间与通道特征,AFE则基于神经元能量函数自适应增强关键判别特征。在CIC UNSWNB15 Augmented数据集上的实验结果表明,MobileViT-AESTF在保持较低参数量(1.04×10^(6))的同时,检测准确率、召回率及F1分数分别达到了99.84%、99.82%和99.85%。相比基准模型MobileViT_V3,其计算量降低,且在Fuzzers等复杂攻击上的识别性能更具鲁棒性。该模型在模型轻量化与检测精度之间取得了有效平衡,适用于资源受限环境下的网络入侵检测,具有较高的工程应用价值。