面向 5G 网络及其以后的入侵检测的卷积神经网络与专家混合模型
机器学习
2025-05-16 v2
摘要
6G/NextG 网络的出现伴随着诸多优势，包括极高容量、可靠性和效率。然而，这些网络可能面临新的安全威胁。因此，6G/NextG 网络必须配备先进的人工智能算法，以规避此类攻击。现有研究在入侵检测任务上依赖于浅层机器学习分类器训练，如逻辑回归、决策树等，导致性能 suboptimal。另一些研究基于由静态组件构成的深度神经网络，这些组件不依赖于输入，限制了其表征能力和效率。为解决这些问题，我们提出首个集成混合专家（Mixture of Experts, MoE）用于识别恶意流量的研究。具体而言，我们使用网络流量数据，将 1 维特征数组转换为 2 维矩阵。随后，将该矩阵通过卷积神经网络（CNN）层，继而经过批量归一化和最大池化层。获得表示向量后，采用稀疏门控 MoE 层。该层由一组专家（密集层）和路由器组成，路由器为每个专家的输出分配权重。通过选择总专家中最相关的专家来实现稀疏性。最后，我们进行一系列消融实验以证明我们所提出模型的有效性。实验在 5G-NIDD 数据集上进行，该数据集来自真实 5G 测试网络的网络入侵检测数据集。结果表明，我们所引入的方法在加权 F1 分数上可达到 99.95%，实现了与现有方法相当的性能。研究还表明，我们所提出的模型相对于前沿方法具有多项优势。
引用
@article{arxiv.2412.03483,
title = {Convolutional Neural Networks and Mixture of Experts for Intrusion Detection in 5G Networks and beyond},
author = {Loukas Ilias and George Doukas and Vangelis Lamprou and Christos Ntanos and Dimitris Askounis},
journal= {arXiv preprint arXiv:2412.03483},
year = {2025}
}