面向不平衡入侵检测的 GTCN-G：一种残差图时序融合网络
机器学习
2026-04-15 v3 人工智能
摘要
网络威胁的日益复杂以及流量数据中固有的类别不平衡为现代入侵检测系统（IDS）带来了巨大挑战。虽然图神经网络（GNN）在建模拓扑结构方面表现出色，时序卷积网络（TCN）在捕获时间序列依赖关系方面也很擅长，但尚未有框架能够在显式解决数据不平衡的同时，将两者有效集成。这篇论文引入一种新型深度学习框架，命名为 Gated Temporal Convolutional Network and Graph（GTCN-G），旨在克服上述局限。该模型独特地将用于从网络流中提取层次时序特征的 Gated TCN（G-TCN）与设计以学习底层图结构的图卷积网络（GCN）相融合。核心创新在于通过图注意力网络（GAT）实现的残差学习机制。该机制通过残差连接保留原始特征信息，这对于缓解类别不平衡问题并增强对罕见恶意活动（少数类）的检测灵敏度至关重要。我们在两个公共基准数据集 UNSW-NB15 和 ToN-IoT 上进行了广泛实验，以验证我们的方法。实验结果表明，所提出的 GTCN-G 模型在二进制和多类分类任务中均实现了最先进的性能，显著优于现有基线模型。
引用
@article{arxiv.2510.07285,
title = {GTCN-G: A Residual Graph-Temporal Fusion Network for Imbalanced Intrusion Detection},
author = {Tianxiang Xu and Zhichao Wen and Xinyu Zhao and Qi Hu and Yan Li and Chang Liu},
journal= {arXiv preprint arXiv:2510.07285},
year = {2026}
}
备注
This preprint was submitted to IEEE TrustCom 2025. The accepted version will be published under copyright 2025 IEEE