Contrastive-KAN：基于半监督对比学习的网络安全入侵检测框架，适用于标注数据稀缺的场景
密码学与安全
2025-10-07 v4 系统与控制
信号处理
系统与控制
摘要
在第四工业革命的时代，网络安全和入侵检测系统对于确保物联网和工业物联网环境的安全与可靠运行至关重要。在该领域，一个关键挑战是标注网络攻击数据的稀缺，因为大多数工业系统都在正常条件下运行。这种数据不平衡，以及注释成本的高昂，阻碍了机器学习模型的有效训练。此外，快速检测攻击尤为重要，尤其是在关键基础设施中，以防止大规模中断。为此，我们提出了一个基于半监督对比学习框架的实时入侵检测系统，采用Kolmogorov-Arnold网络（KAN）。该方法利用丰富的无标签数据来有效区分正常与攻击行为。我们在三个基准数据集上验证了该方法：UNSW-NB15、BoT-IoT和Gas Pipeline，分别仅使用2.20%、1.28%和8%的标记样本，以模拟现实条件。实验结果表明，我们的方法在现有基于对比学习的方法中表现出色。我们进一步将KAN与传统多层感知器（MLP）进行比较，证明在受限监督条件下，KAN在检测准确率和鲁棒性方面均优于MLP。KAN建模复杂关系的能力，以及其可学习的激活函数也被探索并可视化，提供可解释性和潜在的规则提取能力。该方法支持多类分类，在可靠性至关重要的安全和关键环境中效果显著。
引用
@article{arxiv.2507.10808,
title = {Contrastive-KAN: A Semi-Supervised Intrusion Detection Framework for Cybersecurity with scarce Labeled Data},
author = {Mohammad Alikhani and Reza Kazemi},
journal= {arXiv preprint arXiv:2507.10808},
year = {2025}
}