非对比式自监督学习方法在网络入侵检测中的性能探究
密码学与安全
2025-10-06 v1 人工智能
摘要
网络入侵检测作为一个深入研究的网络安全领域，过去二十年主要依赖监督学习算法。然而，这些方法的局限性在于仅能检测已知异常，促使探索替代方法。受自监督学习在计算机视觉中取得成功的启发，越来越多的研究关注将这一范式应用于网络入侵检测。虽然已有研究主要探讨对比式自监督方法，但在结合作为表示学习骨架的编码器架构以及决定所学习内容的增强策略的情况下，非对比式方法的有效性，对于有效攻击检测仍不明确。本文比较了五种非对比式自监督学习方法的性能，分别使用三种编码器架构和六种增强策略。在两个网络入侵检测数据集（UNSW-NB15 和 5G-NIDD）上系统进行了九十次实验。对于每种自监督模型，我们报告在平均精确率、召回率、F1 分数和 AUCROC 方面表现最好的编码器架构和增强方法的组合。此外，通过将最佳表现的模型与两个无监督基线（DeepSVDD 和自编码器）进行比较，我们展示了非对比式方法在攻击检测方面的竞争性。代码地址：https://github.com/renje4z335jh4/non_contrastive_SSL_NIDS
引用
@article{arxiv.2510.02349,
title = {An Investigation into the Performance of Non-Contrastive Self-Supervised Learning Methods for Network Intrusion Detection},
author = {Hamed Fard and Tobias Schalau and Gerhard Wunder},
journal= {arXiv preprint arXiv:2510.02349},
year = {2025}
}