使用增强负样本对的对比自监督网络入侵检测
机器学习
2025-09-09 v1 人工智能
密码学与安全
网络与互联网体系结构
摘要
网络入侵检测仍然是网络安全中的一个关键挑战。虽然监督机器学习模型取得了最先进的性能，但它们对大规模标注数据集的依赖使其在许多实际应用中不切实际。异常检测方法仅使用良性流量进行训练以识别恶意活动，但存在高误报率，限制了其可用性。最近，自监督学习技术通过学习良性流量的判别性潜在表示，以较低的误报率展示了改进的性能。特别是，对比自监督模型通过最小化良性流量中相似（正）视图之间的距离，同时最大化不相似（负）视图之间的距离来实现这一点。现有方法通过数据增强生成正视图，并将其他样本视为负视图。相比之下，本工作引入了对比学习使用增强负样本对（CLAN），这是一种网络入侵检测的新范式，其中增强样本被视为负视图——代表潜在的恶意分布——而其他良性样本充当正视图。这种方法在良性流量上预训练后，同时提升了分类准确率和推理效率。在 Lycos2017 数据集上的实验评估表明，所提出的方法在二分类任务中超越了现有的自监督和异常检测技术。此外，当在有限的标注数据集上进行微调时，所提出的方法在多分类性能方面优于现有的自监督模型。
引用
@article{arxiv.2509.06550,
title = {Contrastive Self-Supervised Network Intrusion Detection using Augmented Negative Pairs},
author = {Jack Wilkie and Hanan Hindy and Christos Tachtatzis and Robert Atkinson},
journal= {arXiv preprint arXiv:2509.06550},
year = {2025}
}
备注
Published in: Proceedings of IEEE Conference on Cyber Security and Resilience (CSR), 2025. Official version: https://doi.org/10.1109/CSR64739.2025.11129979 Code: https://github.com/jackwilkie/CLAN