GTCN-G：一种用于不平衡入侵检测的剩余图时空融合网络（预印本）

于红博

摘要: 网络威胁的不断复杂化和流量数据中固有的类别不平衡给现代入侵检测系统（IDS）带来了巨大挑战。虽然图神经网络（GNNs）在建模拓扑结构方面表现出色，而时间卷积网络（TCNs）擅长捕捉时间序列依赖关系，但一个同时集成两者并明确解决数据不平衡问题的框架仍然是一个未解之谜。本文介绍了一种名为Gated Temporal Convolutional Network and Graph（GTCN-G）的新型深度学习框架，旨在克服这些局限性。我们的模型独特地融合了一个用于从网络流中提取分层时间特征的Gated TCN（G-TCN）和一个设计用于学习底层图结构的图卷积网络（GCN）。核心创新在于集成了一个通过图注意力网络（GAT）实现的残差学习机制。这种机制通过残差连接保留了原始特征信息，这对于缓解类别不平衡问题并增强对罕见恶意活动（少数类别）的检测灵敏度至关重要。我们在两个公共基准数据集UNSW-NB15和ToN-IoT上进行了大量实验以验证我们的方法。实证结果表明，所提出的GTCN-G模型在二元和多类别分类任务中均取得了最先进的性能，明显优于现有基准模型。

更新时间: 2025-10-08 17:45:59

领域: cs.LG,cs.AI

下载: http://arxiv.org/abs/2510.07285v1