| 96 | 0 | 123 |
| 下载次数 | 被引频次 | 阅读次数 |
针对现有网络入侵检测算法存在的检测率低、误检率高和检测耗时长等不足，在小样本环境下设计了一种Meta-learning入侵检测算法模型。Meta-learning算法通过自身的迭代和优化，对故障集的训练任务从单一模型泛化到多个不同类别的模型，提升算法的性能和对数据集的训练效率；在数据处理网络层次结构设计上选择了Dropout网络和ReLU激活函数，能够提升模型的收敛速度并抑制训练中出现的梯度波动情况。仿真结果显示：本文所提算法模型在小样本环境下处理训练集和测试集的DR、ACC和FPR等指标均优于两种传统算法，且对数据集的训练与检测耗时更短。
Abstract：[1] 刘雪花，丁丽萍，郑涛，等.面向网络取证的网络攻击追踪溯源技术分析[J].软件学报，2021,32(1):194-217.
[2] 杨锦溦，杨宇，姚铖鹏，等.基于改进深度卷积生成对抗网络的入侵检测方法[J].科学技术与工程，2022,22(8):3209-3215.
[3] 肖晨卉.信息时代“突发性网络攻击”的安全挑战与应对[J].情报杂志，2021,40(7):74-79.
[4] 张志红.无线传感网络高级持续性威胁隐蔽信道智能检测算法[J].北部湾大学学报，2025,40(2):33-40.
[5] 彭豪，李晓明.多尺度选择金字塔网络的小样本目标检测算法[J].计算机科学与探索，2022,16(7):1649-1660.
[6] 刘奇旭，王君楠，尹捷，等.对抗机器学习在网络入侵检测领域的应用[J].通信学报，2021,42(11):1-12.
[7] 陈海雁，潘伟，吉志远.基于元学习的入侵检测研究[J].电力信息与通信技术，2020,18(9):31-36.
[8] 陈晨，刘曙，王艺菲，等.基于PSOGWO-SVM的网络入侵检测方法[J].空军工程大学学报(自然科学版),2022,23(2) :97-105.
[9] 张翼英，阮元龙，尚静.面向不完备信息网络的集成神经网络入侵检测方法[J].天津科技大学学报，2021(5):68-74.
[10] 刘云，郑文凤，张轶.卡方校正算法对入侵检测特征选择的优化[J].武汉大学学报(理学版),2022,68(1):65-72.
[11] 马吉，杜永文，夏金棕.基于独立监督网络的选择性转发攻击检测[J].传感技术学报，2022(4):538-544.
[12] 彭正阳，吕立，于碧辉.基于动态损失函数的远程监督关系抽取[J].小型微型计算机系统，2021(2):251-255.
[13] 高戈，王霄，曾邦，等.基于时频联合损失函数的语音增强算法[J].计算机应用，2022,42(S1):316-320.
基本信息:
DOI：10.19703/j.bbgu.2096-7276.2025.06.0004
中图分类号:TP393.08
引用信息:
[1]吴永琢.小样本环境下基于Meta-learning的网络入侵检测研究[J].北部湾大学学报,2025,40(06):34-43.DOI:10.19703/j.bbgu.2096-7276.2025.06.0004.
基金信息:
青岛市“双百调研工程”调研课题：青岛市中小制造业企业数字化转型研究(2022-B-129)
2023-05-29
2023
2023-05-29
2023
1
2025-10-30
2025-10-30
2025-10-30