基于Meta-SGD+ANIL元学习框架的小样本入侵检测研究OA

针对网络入侵检测中某些攻击类型样本稀缺、攻击样本不平衡以及新型攻击难以检测等问题,本文提出一种基于Meta-SGD+ANIL算法的元学习框架,旨在提升小样本入侵检测的效率及准确性,增强模型对少数类攻击和未知攻击的识别能力。本文从数据增强和元学习算法的应用与优化层面展开研究,首先,对不平衡数据集进行过采样和欠采样处理,动态生成小样本任务,为模型构建训练场景。使用Meta-SGD算法为特定网络模型的每个参数学习自适应学习率,提升模型在不同攻击场景下的参数调整效率。其次,本文在Meta-SGD基础上引入ANIL算法思想,仅对分类层或部分网络层的参数进行动态学习率调整,有效平衡了模型适应性和计算效率的矛盾。在小样本图像数据集Omniglot上进行实验,时间开销减少了20%,准确率仅下降不到1%。在CIC-IDS2017、CSE-CIC-IDS2018两个数据集上使用Meta-SGD算法相比传统方法训练模型准确率平均提升8.89%,引入ANIL之后,准确率仅略微下降但训练时间分别减少18%和22%。