基于拓扑数据分析与 LSTM 网络并使用 CIC-IDS2017 数据集的增强型网络入侵检测

网络入侵检测系统 (NIDS) 在网络安全基础设施中至关重要，需要先进的技术来检测网络流量中的恶意活动。本研究提出了一种混合方法，将拓扑数据分析 (TDA) 与长短期记忆 (LSTM) 网络相结合，以改善网络安全中的异常检测。我们的多层设计将 TDA 的持久同调与 LSTM 网络相结合，以捕获网络流量模式的拓扑特征并模拟时间序列。我们使用 CIC-IDS2017 数据集评估了我们的方法，该数据集包含超过 280 万条标记流、77 个网络变量和 14 个攻击类别，反映了现代威胁态势，例如 DDoS、暴力破解、Web 攻击、渗透和僵尸网络活动。将 Betti 曲线和持久性图与深度学习架构集成，增强了特征提取性能。我们的混合 TDA+LSTM 模型的 AUC 为 1.000，F1 分数为 1.000，5 折交叉验证产生的平均 AUC 为 1.000 $\pm$ 0.000，平均 F1 为 0.999 $\pm$ 0.001。消融研究证明了拓扑特征 (F1=0.990) 和时间特征 (F1=1.000) 的互补贡献。比较研究表明，所提出的策略在多个攻击类别中优于 TDA+随机森林 (F1=0.994) 和孤立森林 (F1=0.835) 基线。