工业服务互联网（IIoS）日益增加的需求需要一个强大的入侵检测系统来检测恶意攻击。复杂且高影响力的网络攻击频率不断增加，导致基于IIoS的制造行业出现经济损失和灾难。然而，现有解决方案通常难以适应和泛化到新的网络攻击。本研究提出了一种专门设计的独特方法，用于在IIoS环境中检测已知和零日网络攻击，称为去噪自适应多分支架构（DA-MBA）。所提出的方法是一个智能、符合规范并自我调整的网络攻击检测框架，具有去噪表示学习、混合神经推理和开放集不确定性校准的特点。该模型结合了去噪自编码器（DAE），生成抗噪声的潜在表示，这些表示通过结合密集和双向递归层的混合多分支分类器进行处理，以捕捉静态和时间攻击特征。此外，它通过混合多层感知机（MLP）和双向LSTM（BiLSTM）解决适应性和泛化性等挑战。提出的混合模型旨在将前馈变换与序列感知建模结合，能够捕捉直接特征交互以及任何潜在的时间和顺序依赖模式。已应用多种方法来增强双分支架构，例如类加权和通过Optuna进行的全面超参数优化，这些方法共同解决了不平衡数据、过拟合和动态变化的威胁向量等问题。所提出的DA-MBA在两个广泛认可的基于IIoT的数据集Edge-IIoT和WUSTL-IIoT-2021上进行了评估，达到了超过99%的准确率和近0.02的损失，突显了其在检测最复杂攻击方面的有效性，并且优于近期的深度学习IDS基准。该解决方案提供了一种可扩展和灵活的架构，通过结合特征去噪、多分支分类和自动超参数调整，增强不断发展的IIoS环境中的网络安全。结果证实，将强大的特征去噪与序列感知分类相结合，可以为改善IIoS的网络安全提供可扩展和灵活的框架。所提出的架构为IIoS提供了一种可扩展、可解释和风险敏感的防御机制，推动安全、自适应和可信的工业网络韧性。
Qaiser等人（周四）研究了这个问题。