基于MobileViT的輕量型入侵檢測模型研究

摘" 要： 為解決入侵檢測中數據不平衡對神經網絡模型訓練的影響和模型參數量高的問題，提出一種基于改進MobileViT的入侵檢測模型。首先，使用方差分析提取對檢測結果影響較高的特征，將提取后的特征轉化為圖像型數據，將其輸入至MobileViT網絡；其次，針對占比較少的攻擊流量，采用焦點損失函數自適應地調整攻擊流量的損失貢獻，使模型更加專注于不平衡的攻擊流量；最后，為解決神經元死亡問題，使用GeLU激活函數替換MobileViT網絡中MV2的ReLU6激活函數，加快模型收斂速度。實驗結果表明，改進的MobileViT模型參數量僅為5.67 MB，與Shufflenet、Mobilenet相比擁有最少的參數量，模型的準確率、召回率以及[F1]分數分別達到了98.40%、96.49%、95.17%。

關鍵詞： 入侵檢測； 焦點損失函數； 數據不平衡； MobileViT； GeLU； 方差分析

中圖分類號： TN919?34； TP393.08" " " " " " " " " "文獻標識碼： A" " " " " " " " " 文章編號： 1004?373X（2024）19?0033?07

Research on lightweight intrusion detection model based on MobileViT

YAO Jun， SUN Fangchao

（College of Communication and Information Engineering， Xi’an University of Science and Technology， Xi’an 710000， China）

Abstract： In view of the data imbalance on the training of neural network model and the large number of model parameters in intrusion detection， an intrusion detection model based on improved MobileViT is proposed. The ANOVA （analysis of variance） is used to extract the features with great impact on the detection results， and the extracted features are converted into image?based data and input into the MobileViT network. For the attack traffic with a small proportion， the focus loss function is used to adjust the loss contribution of the attack traffic adaptively， so that the model can focus more on the unbalanced attack traffic. In order to solve the problem of neuronal death， the GeLU activation function is used to replace the ReLU6 activation function of MV2 in the MobileViT network to accelerate the convergence speed of the model. The results of experiments show that the improved MobileViT model has only 5.67 MB of parameters. It has the least parameters in comparison with Shufflenet and Mobilenet. The accuracy rate， recall rate and [F1] score of the model reach 98.40%， 96.49% and 95.17%， respectively.

Keywords： intrusion detection; focus loss function; data imbalance; MobileViT; GeLU; ANOVA

0" 引" 言

隨著5G技術的推廣，物聯網技術得到了迅速的發展，萬物互聯已成為未來信息化發展的必然趨勢。然而，物聯網設備的大規模普及增加了網絡攻擊的風險，網絡攻擊已成為國際互聯網的持續威脅[1]。近年來，隨著人工智能技術的不斷發展，基于機器學習和深度學習的攻擊檢測方法得到了廣泛應用，為保護物聯網設備提供了一種有效的手段[2]。

機器學習方法較為依賴特征工程，因此使用機器學習方法進行入侵檢測具有一定的局限性。而在深度學習領域，卷積神經網絡可以自動學習特征，能夠獲取更豐富的信息和更高級別的特征表達，從而提升模型性能。文獻[3]設計了一種三層堆疊LSTM網絡用來進行特征提取，并使用了帶跳躍連接線的改進殘差網絡對LSTM進行優化。文獻[4]提出了一種基于Bi?LSTM（Bidirectional?Long Short Term Memory）的DDOS檢測方案，該方案主要使用了Bi?LSTM構建神經網絡模型來進行預測。文獻[5]提出了一種新的基于CNN和LSTM的入侵檢測模型，該模型與經典的LSTM相比表現更好。上述幾種方法并未考慮全局特征對于模型結果的影響，并且需要使用數據增強和正則化方法以防止過擬合。為解決上述問題，可以使用融合了卷積神經網絡和自注意力機制的MobileViT建立入侵檢測模型，用來提取局部和全局特征，提高模型的預測精度以及減少模型的參數量[6]。

入侵檢測數據屬于類別失衡數據，其攻擊樣本通常較少，面臨攻擊類樣本特征無法被準確識別的問題，針對該問題，文獻[7]提出了結合SMOTE和GAN的數據預處理方法，并使用Wasserstein GAN學習少數類數據分布情況，構建平衡數據集。文獻[8]為解決入侵檢測正常流量與惡意流量的不平衡問題，使用基于WGAN的方法對數據進行平衡處理。文獻[9]提出一種基于自定進度集成和輔助分類器生成對抗網絡（SPE?ACGAN）的重采樣方法。上述的數據平衡方法對輸入數據進行擴張，容易放大數據集的噪聲，使得模型出現過擬合現象。而焦點損失函數能夠直接處理原始數據，動態調節類別權重，以此來解決不平衡數據所造成的模型檢測精度低等問題[10]。因此，焦點損失函數可以融入到入侵檢測模型來進行攻擊預測。

綜上所述，為解決入侵檢測的類別不平衡和現有模型體量較大的問題，本文提出了一種將焦點損失函數引入到MobileViT的入侵檢測模型。選取CICIDS2017數據集中涵蓋攻擊類型較多的周三數據，以網絡流量特征為自變量，攻擊類型為因變量；使用方差分析選擇關鍵特征，并將數值數據轉化為圖像數據作為模型輸入，基于改進MobileViT網絡構建預測模型，使用焦點損失函數自適應調整占比較小的攻擊行為的損失貢獻。

1" 基于改進MobileViT的入侵檢測模型

首先，使用方差分析方法篩選關鍵特征并轉化為圖像；其次，將其輸入到改進MobileViT網絡進行攻擊識別，使用焦點損失函數來自適應調整占比少的攻擊樣本的損失貢獻；最后，使用準確率、召回率和[F1]分數來評價模型的識別性能，并計算該模型的參數量。

1.1" 模型輸入

使用方差對影響攻擊行為識別特征進行重要性分析，利用sklearn庫進行特征得分評估，并提取出得分高的部分特征。為保證原始特征的穩定性，使用如圖1所示的數字轉圖像方法，將數值數據轉換為圖像數據作為改進MobileViT的輸入。

[newvalue=x-minmax-min×255] （1）

首先使用公式（1）對原始特征數據進行轉化，達到轉化灰度圖的數值標準。將轉化好的數據按照得分大小進行排序，第一個特征[F1]對應灰度圖的第一個像素點，按照此方法將剩余的其他特征依次填充至圖像對應的像素點。

1.2" 改進MobileViT網絡

MobileViT網絡融合了卷積神經網絡和Transformer的自注意力機制的優勢，既可以使用輕量卷積減少訓練量，又可以通過自注意力機制提取全局特征，改進了普通卷積只能提取局部特征和Transformer難以訓練的缺點。同時，原始的MobileViT網絡的MV2模塊使用ReLU6作為激活函數，其形式如公式（2）所示：

[ReLU（x）=min（6，max（0，x））]" （2）

當輸入小于0或者大于6時，該函數的輸出為0，當且僅當輸入數據在（0，6）之間時神經元才能被激活，否則會造成神經元死亡進而影響模型效果。

高斯誤差線性單元（Gaussian Error Linear Unit，GeLU）是由Hendrycks和Gimpel提出的一種激活函數[11]，其具體形式如式（3）所示：

[xP（X≤x）=x-∞xe-（x-μ）22σ22πσdX]" （3）

最終可近似為式（4）：

[GeLU（x）=0.5x1+tanh2πx+0.044 715x3] （4）

GeLU對輸入[x]乘以[[0，1]]的乘數，由于神經網絡通常使用BatchNorm處理數據，使得神經元的輸入近似為正態分布。因此，當輸入[x]減小時，神經元被丟棄的可能性就會增加，當[x]增大時其被保留的概率也會增加。這種激活變換就會隨機依賴輸入，不再對輸入數據符號和數值大小敏感，不易造成神經元死亡，能有效避免梯度消失的問題。通過以上分析，使用GeLU替換常規MV2模塊中ReLU6的激活函數，提出一種如圖2所示的基于改進MobileViT的網絡入侵檢測模型。

使用上述圖像轉換方法將數據輸入到模型后，分別經過普通卷積層、MV2模塊和MViT模塊進行特征提取，最后使用全局平均池化后放入全連接層并通過Softmax層輸出每個樣本類別的概率，以此來識別攻擊行為。

MViT模塊首先使用卷積操作對數據進行下采樣提取其局部特征，然后將下采樣后的數據進行分塊并將每塊數據進行展平，之后使用Transformer進行全局特征的提取，最后通過shortcut將輸出特征與原始輸入進行拼接，實現特征融合，提高模型對于攻擊的識別能力。

MV2模塊使用逆操作。首先使用[1×1]的卷積核對數據進行上采樣提高數據維度，然后使用[3×3]卷積進行深度可分離卷積對輸入數據進行特征提取，最后通過下采樣進行降維輸出。傳統的卷積計算量如公式（5）所示，深度可分離卷積計算量如公式（6）所示。

[F0=K×K×M×N×H×W] （5）

[F1=K×K×M×N×H×W+M×N×H×W] （6）

[F1F0=1N+1K2]" " "（7）

式中：[F0]代表傳統卷積的計算量；[F1]代表深度可分離卷積的計算量；[H]為輸入特征矩陣的高；[W]為寬；[M]為通道數；[N]為輸出特征矩陣的通道數。

由公式（7）可知，理論上傳統卷積的計算量是深度可分離卷積的[K2]倍，因此使用深度可分離卷積可以極大減少模型計算量，從而減少模型占用空間。

1.3" 焦點損失函數

入侵檢測數據集中攻擊流量占比較少，常用的交叉熵損失函數難以處理數據不平衡問題，焦點損失函數式應用于處理類別不平衡數據的損失函數。通過調整不平衡樣本之間的權重系數，減少易分類樣本的損失貢獻，提高難分類樣本的損失貢獻，其公式如下所示：

[FL（pt）=-αt（1-pt）γlog（pt）]" （8）

式中：[t]代表數據為攻擊流量還是正常流量；[pt]為模型預測出對應樣本[t]的概率值；[αt]為類別樣本對應的權重；[γ]為調節因子，通常為2。如果預測攻擊類型[pt]越小，說明預測越不準確，此時焦點損失函數會將其看作難分類攻擊樣本。同時，[（1-pt）γ]值增大，難分類攻擊行為對損失貢獻就會增大。在本文的入侵檢測模型中，[αt]是長度為2的向量，用來存放是否為攻擊行為的權重，攻擊行為[αt]的權重要高于正常行為。

2" 數據預處理

2.1" 數據描述

CICIDS2017數據集包含了良性和最新的常見攻擊[12]，該數據集總共采集了5天的數據量，周一未產生攻擊只包含正常網絡流量，該數據集所采集的攻擊流量主要集中在周二至周五，采用的攻擊手段主要包括暴力FTP、暴力SSH、DDOS等常見攻擊手段。

由于周三采集的樣本種類多，且攻擊樣本和正常樣本具有嚴重的類不平衡性，因此在本次實驗中本文采用了該數據集在周三攻擊所采集的數據，其所涵蓋的數據如表1所示。

周三的數據集主要包括了如表1所示的五種攻擊方式，其中正常流量樣本（BENIGN）占比63.52%，在攻擊流量中，類型為DosHulk的流量為次數較多的攻擊方式，占比33.36%，其余攻擊類型占比均較低。該數據集具有嚴重的不平衡性。

2.2" 數據預處理及特征篩選

上述數據中有部分特征為非數值型數據或者為空的情況。由于原始數據量足夠多，本文針對以上情況做剔除處理，在數據清洗完成之后，本文針對非數值型數據進行預編碼，所有良性樣本編碼為0，攻擊樣本編碼為1。經過數據清洗后的數據分布如表2所示。

在經過數據清洗和預編碼后的相關數據被剔除，總樣本數量為447 819個。樣本數量仍然較高，原數據集特征數量由85個降為81個，經過處理后的數據已全部為數值型數據，再對數據進行歸一化。將81個特征使用方差分析方法計算特征和標簽類型之間的分數，進行重要性排序，如表3所示。

本文不考慮得分在3以下的特征，表3展示了在預處理之后數據集的特征經過方差分析計算后得分最高的12個特征及其所對應的得分，將該12個數值特征使用上文的圖像生成方法轉化為圖像數據。

3" 實驗設置和評估

3.1" 實驗設置

將數值數據轉化為圖像數據后，圖像的像素大小為3×4，將此圖像作為改進MobileViT網絡的入侵檢測模型的輸入。該模型使用Python和PyTorch搭建，訓練集和測試集比例為7∶3。模型epoch為100，學習率為0.000 2，batch_size設置為128，優化器使用隨機梯度下降法。通過文獻[10]對焦點損失函數的研究，證明焦點損失函數中[γ]設置為2效果最好，因此本文將[γ]設置為2。針對正常樣本的調節因子[α正]和攻擊樣本的調節因子[α攻]，首先將其設置為0.46、0.54，其次逐漸減小正常樣本所對應的調節因子[α正]，逐漸加大攻擊樣本的調節因子[α攻]。最后，通過多次實驗驗證表明，將正常樣本的調節因子[α正]和攻擊樣本的調節因子[α攻]對應分別設置為0.26、0.74，模型表現最優。焦點損失函數超參數敏感實驗結果如表4所示。

由表4可知，當正常樣本的調節因子[α正]與攻擊樣本的調節因子[α攻]分別為0.46、0.54時，模型的識別準確率為91.82%，隨后逐漸減小[α正]并逐漸增大[α攻]。實驗結果表明，將正常樣本的調節因子 [α正]與攻擊樣本的調節因子[α攻]分別設置為0.26、0.74時，模型對于攻擊識別的準確率達到98.40%。

3.2" 實驗評價指標

本文通過以下指標來測試和評估所提出模型的有效性和性能。

1） Accuracy（AC）：準確預測數量占總流量的百分比，準確率計算公式為：

[AC=TP+TNTP+TN+FP+FN×100%]" "（9）

2） Precision（[P]）：表示被分類為攻擊流量數量占實際攻擊流量的百分比，精確率計算公式為：

[P=TPTP+FP×100%] （10）

3） Recall（[R]）：表示估計預測的攻擊數量占總攻擊數量的百分比，召回率計算公式為：

[R=TPTP+FN×100%]" （11）

4） [F1]_score（[F1]）：根據[P]和[R]返回對模型精度的更可靠度量，[F1]分數計算公式為：

[F1=2PRP+R×100%]" （12）

式中：TP表示攻擊樣本被分類器判別為攻擊的個數；TN表示正常樣本被分類器判別為正常的個數；FP表示正常樣本被判別為攻擊樣本的個數；FN表示攻擊樣本被判別為正常樣本的個數。

3.3" 模型分類性能比較

為驗證本文所提模型的分類效果，使用訓練集數據作為輸入并使用PyTorch訓練模型，在測試集上的二分類混淆矩陣如圖3所示。

使用圖3所示的混淆矩陣計算其精確率、召回率和[F1]分數。將本模型與現有研究相關SOTA模型進行比較，其中包括WSDMO_DRN[13]、BWO?CONV?LSTM[14]，并對比了現有機器學習算法如GWO?SVM[15]、SSPAE?SVM[16]。進行分類時將所有的正常樣本標記為0，所有的攻擊樣本標記為1，使用轉化后的數據對模型進行訓練。根據文獻中BWO?CONV?LSTM、GWO?SVM、MobileViT三種模型的算法描述，驗證了其在CICIDS2017數據集的表現，直接引用了WSDMO_DRN、SSPAE?SVM兩種算法模型的結果。表5給出本文模型和5種對比模型的總體識別性能比較，精確率、召回率和[F1]計算方式為宏平均。

由表5可知，本文模型相對改進的SVM算法，準確率分別提高了8.74%、7.18%，相對于文獻[13]和文獻[14]提出的方法準確率分別提高了7.8%和1.37%，精確率、召回率以及[F1]分數相對以上幾種模型都較高。這是因為入侵檢測數據為不平衡數據，導致模型更加傾向于預測正常樣本，而忽略了攻擊樣本，所以導致對比模型的準確率低。以上研究結果表明，在入侵檢測方面本文模型具有良好的識別能力。

3.4" 數據平衡方法實驗對比

為進一步證明使用焦點損失函數對MobileViT網絡改進的有效性，將焦點損失函數與其他數據平衡方法應用在MobileViT中，其中包括ACGAN數據增強、SMOTE過采樣、ADASYN欠采樣、VAE[17]。分別采用上述數據平衡方法對本文所使用的CICIDS2017數據集進行數據平衡處理，使用平衡后的數據對改進MobileViT進行訓練，其Epochs次數保持一致，使用測試集進行評估，各數據平衡方法在改進MoblieViT上的準確率表現如圖4所示。

圖4評估了不同采樣方法在MobileViT上的表現。由圖4可知，本文所使用的數據平衡方法表現最好，這是因為使用焦點損失函數不會產生太多的輸入噪聲，模型不易過擬合。SMOTE過采樣和ADASYN過采樣方法通過合成樣本來增加少數攻擊樣本的數據量，使得模型過于依賴合成的數據，導致其在測試集上的準確率不高。ACGAN方法存在訓練難度大、超參數確定困難等問題，使用不平衡數據訓練會導致模型產生類別不平衡現象，生成器會傾向于生成常見的樣本。VAE生成模型在學習過程中引入了隨機性，導致重構樣本存在一定的模糊性，不能準確地還原原始樣本。綜上所述，本文所提出的通過焦點損失函數改進MobileViT的方法對攻擊行為具有良好的識別效果。

3.5" 模型輕量化對比

為驗證改進后的MovileViT模型具有輕量化的優點，本文搭建了輕量級CNN模型Mobilenet[18]、Shufflenet[19]、MobileViT[6]，重量級CNN模型Resnet?18[20]以及文獻[13]中所提模型，并使用CICIDS2017數據集對其進行訓練，各個模型的參數量及準確率如表6所示。

由表6可知，相對于以上幾種模型，本文所提出的改進MobileViT模型的參數量達到最小。同時，本文模型對于攻擊識別的準確率達到了98.40%。因此，本文所提出的模型要優于其他入侵檢測模型。

3.6" 模型泛化能力驗證

為驗證本文所提模型的泛化能力，使用UNSW?NB15數據集對模型進行驗證。首先，對該數據集進行預處理，剔除空數據并對其進行歸一化；其次，使用方差分析對特征進行評分并提取特征，特征提取原則與CICIDS2017數據集特征提取原則相同，特征及其得分如表7所示；最后，使用1.1節所示的圖像轉化方法將一維數據轉化為二維圖像數據。

在數據集UNSW?NB15上通過方差分析所提取的特征（見表7）。首先，通過特征提取將其對應特征轉化為二維圖像數據；其次，將二維圖像數據作為本文模型的輸入進行訓練；最后，本文引用了使用UNSW?NB15數據集進行訓練的模型結果，例如ANN?CFS[21]、GA?CNN[22]、OCNN?HMLSTM[23]。結果表明，本文所提模型要優于現有SOTA模型，證明了本文模型具有良好的泛化能力，具體結果如圖5所示。

由圖5可知，本文模型在UNSW?NB15數據集上的表現相對于其他SOTA模型而言，雖在精確率上稍低于其他三種模型，但在準確率、召回率和[F1]分數上要高于其他三種模型。綜上所述，本文模型在UNSW?NB15數據集的表現較好，該模型具有良好的泛化能力。

4" 結" 語

針對現有入侵檢測方法中存在數據不平衡、識別模型參數量高等問題，本文提出了一種基于MobileViT的入侵檢測方法，該模型通過引入GeLU激活函數以及焦點損失函數對MobileViT進行了改進。首先，在同一個數據集與其他SOTA模型進行比較；其次，使用不同的數據平衡方法對數據進行處理并訓練改進的MobileViT網絡；最后，對比驗證了模型的參數量以及模型的泛化能力。實驗結果表明，本文模型在準確率和其他分類指標上要優于對比模型，采用焦點損失函數在不平衡數據預測上取得了較好的結果，本文模型在參數量上要少于其他對比模型，并且模型具有良好的泛化能力。未來的研究將識別具體的攻擊類型，并將模型部署到便攜式設備以提高信息防護能力。

參考文獻

[1] KUMARI P， JAIN A K. A comprehensive study of DDoS attacks over IoT network and their countermeasures [J]. Computers amp; security， 2023， 127： 103096.

[2] 黃嶼璁，張潮，呂鑫，等.基于深度學習的網絡入侵檢測研究綜述[J].信息安全研究，2022，8（12）：1163?1177.

[3] 麻文剛，張亞東，郭進.基于LSTM與改進殘差網絡優化的異常流量檢測方法[J].通信學報，2021，42（5）：23?40.

[4] 白堅鏡，顧瑞春，劉清河.SDN環境中基于Bi?LSTM的DDoS攻擊檢測方案[J].計算機工程與科學，2023，45（2）：277?285.

[5] DEY A. Deep IDS： A deep learning approach for intrusion detection based on IDS 2018 [C]// 2020 2nd International Conference on Sustainable Technologies for Industry 4.0 （STI）. New York： IEEE， 2020： 1?5.

[6] MEHTA S， RASTEGARI M. MobileViT： Light?weight， general?purpose， and mobile?friendly vision transformer [EB/OL]. [2021?10?05]. https：//arxiv.org/abs/2110.02178.

[7] 石磊，張吉濤，高宇飛，等.基于Transformer與BiLSTM的網絡流量入侵檢測[J].計算機工程，2023，49（3）：29?36.

[8] ZHANG L， JIANG S P， SHEN X J， et al. PWG?IDS： An intrusion detection model for solving class imbalance in IIoT networks using generative adversarial networks [EB/OL]. [2021?10?06]. https：//api.semanticscholar.org/CorpusID：238419301.

[9] YANG H， XU J Y， XIAO Y C， et al. SPE?ACGAN： A resampling approach for class imbalance problem in network intrusion detection systems [J]. Electronics， 2023， 12（15）： 3323.

[10] LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection [C]// Proceedings of the IEEE International Conference on Computer Vision. New York： IEEE， 2017： 2999?3007.

[11] HENDRYCKS D， GIMPEL K. Gaussian error linear units （GELUs） [EB/OL]. [2016?06?21]. https：//ui.adsabs.harvard.edu/abs/2016arXiv160608415H/abstract.

[12] SHARAFALDIN I， LASHKARI A H， GHORBANI A A. Toward generating a new intrusion detection dataset and intrusion traffic characterization [C]// Proceedings of the 4th International Conference on Information Systems Security and Privacy. Portugal： SciTePress， 2018： 108?116.

[13] RAJ M G， PANI S K. Intrusion detection system using combination of deep residual fuzzy network and white shark?dwarf mongoose optimization [EB/OL]. [2023?06?06]. https：//www.researchgate.net/publication/371346140.

[14] KANNA P R， SANTHI P. Hybrid intrusion detection using MapReduce based black widow optimized convolutional long short?term memory neural networks [J]. Expert systems with applications， 2022， 194： 116545.

[15] SAFALDIN M， OTAIR M， ABUALIGAN L. Improved binary gray wolf optimizer and SVM for intrusion detection system in wireless sensor networks [J]. Journal of ambient intelligence and humanized computing， 2021， 12（2）： 1559?1576.

[16] GHORBANI A， FAKHRAHMAD S M. A deep learning approach to network intrusion detection using a proposed supervised sparse auto?encoder and SVM [J]. Iranian journal of science and technology， transactions of electrical engineering， 2022， 46（3）： 829?846.

[17] 曹春明，何戡，宗學軍，等.基于VAE和DLIESN的工控系統入侵檢測方法[J].計算機工程與設計，2023，44（11）：3283?3289.

[18] HOWRAD A G， ZHU M L， CHEN B， et al. MobileNets： Efficient convolutional neural networks for mobile vision applications [EB/OL]. [2021?05?27]. http：//arxiv.org/abs/1704.04861.

[19] ZHANG X Y， ZHOU X Y， LIN M X， et al. ShuffleNet： An extremely efficient convolutional neural network for mobile devices [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2018： 6848?6856.

[20] HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition [C]// Proceedings of 2016 Conference on Computer Vision and Pattern Recognition （CVPR）. New York： IEEE， 2016： 770?778.

[21] SUMAIYA THASEEN I， SAIRA BANU J， LAVANYA K， et al. An integrated intrusion detection system using correlation?based attribute selection and artificial neural network [J]. Transactions on emerging telecommunications technologies， 2021， 32（2）： e4014.

[22] NGUYEN M T， KIM K. Genetic convolutional neural network for intrusion detection systems [J]. Future generation computer systems， 2020， 113： 418?427.

[23] KANNA P R， SANTHI P. Unified deep learning approach for efficient intrusion detection system using integrated spatial?temporal features [J]. Knowledge?based systems， 2021， 226： 107132.

作者簡介：姚" 軍（1972—），男，陜西西安人，碩士研究生，副教授，主要研究方向為網絡安全、寬帶數據網絡。

孫方超（2000—），男，陜西咸陽人，在讀碩士研究生，主要研究方向為網絡安全、深度學習。

收稿日期：2024?03?25" " " " " "修回日期：2024?04?18