利用动态神经网络与对抗学习的自适应入侵检测系统用于 5G/6G 网络
密码学与安全
2025-12-16 v2 机器学习
摘要
入侵检测系统 (IDS) 是保护 5G/6G 网络免受内部和外部网络威胁的关键组件。虽然传统 IDS 方法严重依赖基于签名的方法，但它们难以检测新颖且不断演变的攻击。本文提出了一种先进的 IDS 框架，利用对抗训练和动态神经网络来增强 5G/6G 网络的安全性，提供鲁棒的实时威胁检测与响应能力。与需要昂贵重训练的常规模型不同，所提出的框架集成了增量学习算法，减少了频繁重训练的需求。对抗训练用于增强 IDS 抵御投毒数据的能力。通过使用更少的特征并纳入统计特性，该系统能够高效地检测潜在威胁。利用 NSL-KDD 数据集进行的广泛评估表明，所提出的方法在抵抗数据集投毒的同时，对各种网络攻击的多分类提供了 82.33% 的更优准确率。本研究展示了对抗训练动态神经网络构建弹性 IDS 解决方案的潜力。
引用
@article{arxiv.2512.10637,
title = {Adaptive Intrusion Detection System Leveraging Dynamic Neural Models with Adversarial Learning for 5G/6G Networks},
author = {Neha and Tarunpreet Bhatia},
journal= {arXiv preprint arXiv:2512.10637},
year = {2025}
}
备注
7 pages,3 figures, 2 Table. Neha and T. Bhatia "Adaptive Intrusion Detection System Leveraging Dynamic Neural Models with Adversarial Learning for 5G/6G Networks" (2025) 103-107