Ein neuartiges Multi-Skalen-Netzwerk-Überwachungsmodell mit Transformer

Netzwerke sind heute ein essentielles Werkzeug, und das Intrusion Detection System (IDS) kann den sicheren Betrieb gewährleisten. Mit dem explosiven Wachstum von Daten haben die aktuellen Methoden jedoch zunehmend Schwierigkeiten, da sie oft nur auf einer einzigen Skala basieren, was dazu führt, dass potenzielle Merkmale in den umfangreichen Verkehrsdaten übersehen werden, was die Leistung beeinträchtigen kann. In dieser Arbeit schlagen wir ein neuartiges Erkennungsmodell vor, das einen multi-skalaren Transformer nutzt, nämlich IDS-MTran. Im Wesentlichen erweitert die Zusammenarbeit von Multi-Skalen-Verkehrsmerkmalen die Musterabdeckung der Intrusionserkennung. Zunächst verwenden wir Faltungsoperatoren mit verschiedenen Kernen, um Multi-Skalen-Merkmale zu generieren. Zweitens schlagen wir Patching mit Pooling (PwP) vor, um die Darstellung der Merkmale und die Interaktion zwischen den Zweigen zu verbessern, und um als Brücke zu dienen. Anschließend entwerfen wir ein Backbone auf Basis eines multi-skalaren Transformers, um die Merkmale auf verschiedenen Skalen zu modellieren und potenzielle Einbruchs-Spuren zu extrahieren. Schließlich schlagen wir vor, um diese Multi-Skalen-Zweige vollständig ausnutzen zu können, das Cross Feature Enrichment (CFE) zu integrieren und Merkmale anzureichern, und dann die Ergebnisse auszugeben. Ausreichende Experimente zeigen, dass die vorgeschlagene Methode im Vergleich zu anderen Modellen verschiedene Angriffstypen effektiver unterscheiden kann. Insbesondere hat die Genauigkeit auf drei gängigen Datensätzen, NSL-KDD, CIC-DDoS 2019 und UNSW-NB15, jeweils 99 % überschritten, was genauer und stabiler ist.