SD-CGAN：基于 Sinkhorn 散度的条件生成对抗网络用于 IoT 网络中的 DDoS 异常检测
机器学习
2025-12-02 v1 密码学与安全
摘要
物联网边缘网络日益复杂，对异常检测构成重大挑战，尤其是在高度动态且类别不平衡的流量条件下识别高级拒绝服务（DoS）攻击和零日漏洞。本文提出 SD-CGAN，一种针对物联网边缘环境中鲁棒异常检测的条件生成对抗网络框架，增强了 Sinkhorn 散度。该框架集成了基于 CTGAN 的合成数据增强以解决类别不平衡问题，并利用 Sinkhorn 散度作为几何感知损失函数以提高训练稳定性并减少模式坍缩。该模型在 CICDDoS2019 数据集上评估，结果表明 SD-CGAN 在检测准确率、精确率、召回率和 F1 分数方面均优于基线深度学习和 GAN 基于方法，同时保持适用于部署在 IoT 边缘环境的计算效率。
引用
@article{arxiv.2512.00251,
title = {SD-CGAN: Conditional Sinkhorn Divergence GAN for DDoS Anomaly Detection in IoT Networks},
author = {Henry Onyeka and Emmanuel Samson and Liang Hong and Tariqul Islam and Imtiaz Ahmed and Kamrul Hasan},
journal= {arXiv preprint arXiv:2512.00251},
year = {2025}
}
备注
7 pages, 6 figures, camera-ready version accepted for presentation at IEEE ICNC 2026