基于無監督學習的入侵流量檢測分類

摘 要：針對現有入侵流量檢測模型對小樣本分類準確率低的問題，提出了一種基于Wasserstein Divergence Objective for GANs （WGAN div）和Information Maximizing Generative Adversarial Nets（Info GAN）的無監督學習入侵流量分類模型。首先，通過對不平衡的數據訓練集進行過采樣改善數據分布，然后對非數據部分進行獨熱編碼處理并與數據部分整合，降低預處理復雜度，最后利用Info GAN模型進行數據訓練，并在NSL KDD、CICIDS2017、UNSW NB15數據集進行性能評估和算法效能對比。實驗結果表明，算法在多分類任務準確率分別達到91.0%、97.1%、79.9%，二分類任務準確率可達90.9%、96.9%、86.1%。相比于經典深度學習算法，Info GAN模型的準確率更高，誤報率更低，具備較高的可靠性和工程應用價值。

關鍵詞：入侵流量檢測；生成對抗網絡；過采樣；不平衡數據集

中圖分類號： TP393.0文獻標識碼：A

Intrusion Traffic Detection and Classification

Based on Unsupervised Learning

FANG Jun1， WANG Qian2， SUN Xueli2

（1. Institute of Information Fusion， Naval Aviation University，Yantai，Shandong 264001， China;

2. School ofAviation Basis， Naval Aviation University， Yantai， Shandong 264001， China）

Abstract：To solve the problem that the classification accuracy of model small samples is low， an unsupervised learning intrusion traffic classification model based on Wasserstein divergence objective for GANs （WGAN div） and Information Maximizing Generative Adversarial Nets（Info GAN）is presented. Firstly， the unbalanced data training set is oversamped to improve the data distribution. Then， the non data part is processed by independent thermal coding and integrated with the data part to reduce the complexity of pretreatment. Finally， the Info GAN model is used for data training.Performance evaluation and algorithm efficiency comparison were carried out in NSL KDD， CICIDS2017 and UNSW NB15 data sets.The experimental results show that the accuracy of multi classification task is 91.0%， 97.1%， 79.9% respectively， and the accuracy of binary classification task is 90.9%， 96.9%， 86.1% respectively.Compared with the classical deep learning algorithm， the Info GAN model has higher accuracy and lower 1 positive rate， and has higher reliability and engineering application value.

Key words：intrusion traffic detection; generative adversarial nets; oversampling; unbalanced datasets

入侵檢測是指在計算機及數據網絡正常開放運行的同時，進行的一種安全監測和保障[1]，其目標則是針對入侵方式進行實時檢測與識別。目前，與防火墻等傳統網絡防御技術相比，網絡入侵檢測系統（NIDS）能夠更好地對網絡異常流量進行檢測識別，從而防止網絡受到可能的入侵，以確保其機密性、完整性和可用性[2]。

早期的入侵流量檢測依賴于基于規則的檢測方法[3]，這些方法能夠實現對規則約束內的入侵流量類型進行識別，但對于既定規則外的未知入侵流量無法做到有效識別。同時專家知識庫的建立需要大量的先驗知識和時間，在互聯網信息流量巨大的現代條件下顯然無法適用。基于機器學習的入侵檢測算法能夠從圖像、文本等原始數據中直接進行特征表示學習，其特征層參數通過程序從數據中進行學習調整[4]，免除了人工特征處理的步驟，在處理大數據方面相比于淺模型具備更大優勢。文獻[5]采用一種基于信息增益和主成分分析的數據處理方法，使用支持向量機（SVM）進行入侵流量分類，但是該方法為了使訓練數據平衡，沒有使用全部數據集，而是進行抽取，在不平衡數據處理和數據集完整性方面存在不足。文獻[6]提出一種自學習入侵檢測系統（STL IDS）對數據集進行特征學習和降維，提升了SVM對攻擊的預測精度，但是存在識別率不高、模型泛化性不強等問題。文獻[7]提出一種BAT MC模型，結合了雙向長短時記憶（BLSTM）和注意力機制，采用卷積層對數據集進行處理，能夠自動完成網絡流量層次結構的學習。文獻[8]針對傳統入侵檢測方法受限于數據集類不平衡以及所選特征代表性不強等問題，提出一種基于VAE CWGAN和特征統計重要性融合的檢測方法。

從無標簽的數據中提取相應的特征信息，使得訓練數據的獲取更加方便[9]，主要缺陷為對相同數據集的檢測性能通常低于監督學習算法。生成式對抗網絡（Generative Adversarial Networks，GAN）是一種無監督的深度學習模型，能夠從估計的概率分布中生成與現有數據相似的新數據[10]。在入侵檢測中，可通過該特性設計數據擴充技術以解決入侵數據集的不平衡問題；也可使用該特性實現模型對數據特征關系的學習，以實現對入侵流量的聚類。文獻[11]提出一種ACGAN SVM算法，實現了合成攻擊流量數據、擴充數據集的目的，算法對四種入侵流量數據集進行了分類測試，結果表明使用擴充后的數據集算法在分類精確率、召回率指標上性能均得到了提升。文獻[12]提出了一種GAN RF算法，使用生成對抗網絡對CICIDS2017數據集進行數據擴充，然后使用隨機森林（RF）模型進行入侵流量檢測分類，相比單獨使用RF模型，性能均得到提升。文獻[13]使用BiGAN（Bidirectional Generative Adversarial Networks）實現了對NSL KDD數據集的入侵檢測，并與原始GAN的檢測性能進行了對比，結果表明，使用BiGAN模型的入侵流量二分類檢測性能優于原始GAN。文獻[14]對BiGAN的損失函數進行了改進，算法實現了對10%的KDD 99入侵流量數據集的分類識別。

以上文獻分別從數據擴充和分類檢測兩方面使用生成對抗網絡進行了方法改進，并在入侵檢測性能上獲得了提升。但尚未有方法對這兩方面同時進行GAN性能改善，且部分算法的檢測性能還有較大提升空間。基于此，本文提出了一種基于WGAN div和Info GAN（Information Maximizing Generative Adversarial Nets）的無監督學習算法，使用WGAN div算法對NSL KDD數據集訓練集進行數據擴充，解決了入侵流量占比不平衡的問題，提升了深度學習算法對入侵流量特征的提取能力；使用InfoGAN模型對NSL KDD、CICIDS2017、UNSW NB15數據集分別進行入侵流量分類性能測試，實驗結果表明，多分類任務準確率分別達到91.0%、97.1%、79.9%，二分類任務準確率可達90.9%、96.9%、86.1%，同時算法在精確率、召回率等指標上誤報率低，具備較強的泛化性，有較高的工程應用價值。

1 基于WGAN div與Info GAN的無監督

檢測模型

1.1 基于WGAN div的數據擴充方法

原始GAN在訓練中存在梯度消失、訓練不穩定及模式崩潰等問題。用于量化兩個概率分布之間的相似度的度量通常采用KL散度（Kullback Leibler Divergence）和JS散度（Jensen Shannon Divergence），KL散度的計算如式（1）：

KL（p‖q）=∫xp（x）lg p（x）q（x）dx=

Ex～plg p（x）q（x）（1）

JS散度是基于KL散度的變體，解決了后者的非對稱問題[15-17]，其計算如式（2）：

JS（p‖q）=12DKLp‖p+q2+

12DKLq‖p+q2 （2）

原始GAN正是使用JS散度來訓練生成器減小真實分布與生成分布之間的距離，將判別器最優解代入，其目標函數可表示為式（3）：

min Gmax DV（D，G）=KLpdata‖pdata+pG2+

KLpG‖pdata+pG2－2lg 2=

2JS（pdata‖pG）－2lg 2（3）

由式（2）和D（x）表達式推導可得式（4）：

KL（pG‖pdata）=

Ex～pGlg pG（x）/（pG（x）+pdata（x））pdata（x）/（pG（x）+pdata（x））=

Ex～pGlg （1－D（x））－

Ex～pGlg （D（x））（4）

結合式（3）進行代換運算，可用JS散度形式表示Ex～pGlg （1－D（x）），移項得式（5）：

Ex～pGlg （D（x））=2JS（pdata‖pG）－

KL（pdata‖pG）－Ex～pdatalg （D（x））－

2log 2（5）

式中僅前兩項與生成器相關，即生成器目標函數表示為式（6）：

LG=2JS（pdata‖pG）－KL（pdata‖pG）（6）

WGAN為了解決模式崩潰問題，采用Wasserstein距離來衡量分布間的距離[18]。其計算公式如式（7）：

W（pdata，pG）=

infγ∈∏（pdata，pG）E（x－y）～y‖x－y‖（7）

由于‖x－y‖難以直接進行計算，因此引入利普希茨（Lipschitz）連續條件，即：設k≥0，定義域內任意兩個x1，x2滿足如式（8）的關系：

f（x1）－f（x2）≤kx1－x2（8）

則稱k為f（x）的Lipschitz常數。則目標函數轉化為：

V（G，D）=

max D∈1－LipschitzEx～pdataD（x）－Ex～pGD（x）

（9）

WGAN GP采用梯度懲罰的方式，以在樣本的過渡區滿足約束，其表達式如式（10）：

VGP（G，D）=

max D∈1－LipschitzEx～pdataD（x）－Ex～pGD（x）=

－λEx～py（‖

表示梯度算子，py是從真實數據pdata和偽數據pG分布點之間沿直線均勻采樣得到的分布。WGAN div通過引入Wasserstein散度，證明了L約束的可去除性。W散度的表達式如式（11）所示。

Wk，ppdata，pG=inf f∈C1c（Ω）Ex～pdataf（x）－

Ex～pGf（x）+kEx～pu‖

1.2 基于Info GAN的入侵檢測方法

Info GAN通過改進輸入噪聲矢量以解決該問題：將輸入噪聲分解為兩部分，一部分為不可壓縮的噪聲z，另一部分為潛向量c，用于針對數據分布的結構化語義特征。用c=c1，c2，…，cL表示潛向量的集合，并且滿足式（13）的關系：

Pc1，c2，…，cL=∏Li=1P（ci） （13）

Info GAN的目的在于訓練網絡在無監督的條件下發現并恢復每個樣本數據中的潛向量。因此使用信息正則化方法來解決此問題，互信息熵的計算公式如式（14）：

I（X;Y）=H（X）－H（X|Y）=

H（Y）－H（Y|X） （14）

在給定pG（x）的情況下，應當保持pG（x|c）具備一個較小的熵，因此采用的目標函數如式（15）：

min Gmax DV1（D，G）=V（D，G）－λI（c;G（z，c））（15）

實踐中，I（c;G（z，c））難以直接進行最大化，因此引入輔助分布q（c|x），其計算過程如式（16）：

I（c;G（z，c））=H（c）－H（c|G（z，c））=

Ex～G（z，c），c′～p（c|x）lg p（c′|x）+H（c）（16）

由式（1）可構造lg p（c′|x）的KL散度，取值恒大于等于0，利用q（c|x）將其代換為式（17）：

Ex～G（z，c）c′～p（c|x）lg p（c′|x）=

Ex～G（z，c）DKL（p（c|x）‖q（c|x））+

Ec′～p（c|x）lg q（c′|x）≥Ex～G（z，c）c′～p（c|x）q（c′|x） （17）

因此可得結論如下式：

I（c;G（z，c））≥Ex～G（z，c）c′～p（c|x）lg q（c′|x）+H（c） （18）

由于Ex～G（z，c）c′～p（c|x）lg q（c′|x）取值與生成器和輔助分布q（c|x）有關，將其簡寫為L1（G，Q），則目標函數轉換為式（19）：

min G，Qmax DVInfo（D，G，Q）=V（D，G）－λL1（G，Q）（19）

綜合以上兩節，提出了一種基于WGAN div的數據擴充方法以解決入侵流量數據集的不平衡問題，提升深度學習模型對少數樣本特征的提取能力；提出一種基于Info GAN的入侵流量檢測模型。將兩種方法結合起來，能夠得到一種入侵檢測性能良好的算法。

2 實驗分析

2.1 入侵流量數據集預處理

本文選用數據集為：NSL KDD數據集[5]、CICIDS2017數據集[3]、UNSW NB15數據集[18]。

由文獻可知，NSL KDD數據集共包括5種類型流量數據，其中一種是正常流量，標簽為Normal，另外四種是攻擊流量，標簽分別為DoS、Probing、R2L、U2R。訓練集和測試集都存在明顯的數據不平衡現象，數據量最少的樣本僅占比0.04%，樣本比例差距高達1336.5∶1，需要對數據集進行平衡化的處理。CICIDS2017數據集攻擊流量包含若干小類別，統一將數據按照大類別以6種攻擊類型流量進行標識，分別是Botnet、Brute Force、DoS、Infiltration、PortScan、Web Attack。該數據集中各類數據也存在明顯的分布不平衡問題，樣本比例差距高達83340∶1。本文設計在小樣本、數據分布不均衡的條件下進行入侵檢測，需要對數據集進行平衡化的處理。UNSW NB15數據集包含9種入侵流量，分別是Fuzzers、Analysis、Backdoors、Reconnaissance、 DoS、Exploit、Generic、Shellcode、Worms。觀察數據分布可發現，正常流量（Normal流量）在訓練集和測試集中占比最大，Worms流量占比最小，兩者樣本數量比例差異最高可達840.91∶1，這表明該數據集也存在樣本數量不平衡的問題，Analysis、Backdoors、Shellcode、Worms等都屬于小樣本類別數據，需要對其進行數據擴充，以提升對小樣本類別的入侵檢測性能。另外，UNSW NB15預先劃分的訓練集和測試集中均存在大量的重復冗余數據，在進行預處理前需要對其進行移除。

2.2 實驗結果

將預處理完畢的數據集劃分為訓練集和測試集。其中CICIDS2017采用1∶9的比例劃分訓練集和測試集，另外兩種數據集采用公開數據集中給出的劃分方法確定訓練集和測試集。其中，每種數據集均包括原數據集和經SMOTE、ADASYN、WGAN div過采樣擴充的擴充數據集。采用的深度學習模型包括Info GAN以及經典機器學習算法和深度學習算法。圖1表明Info GAN模型中生成器損失函數G_loss、判別器損失函數D_loss、分類器損失函數Q_loss在訓練集訓練過程中隨訓練輪數epoch的變化情況。隨著訓練輪數增加，模型的損失函數值首先逐步降低，在epoch=305～360之間取值達到最小，而后隨著訓練輪數增長，取值在一定區間內上下波動，最終趨于穩定，這表明模型已經接近收斂。

2.2.1 多分類模型性能對比

圖2是Info GAN模型在各數據集的不同訓練集下進行訓練得到的模型多分類性能評估圖。整體上看Info GAN模型對三種數據集都能夠實現有效的多分類，分類準確率取決于數據集的數據分布。通過t SNE圖可得知，UNSW NB15數據集中訓練集數據類間混疊較嚴重，會對分類準確率造成干擾。

在NSL KDD、CICIDS2017數據集的攻擊流量分類任務中，過采樣訓練集均可提升模型的分類識別性能。在多分類性能評估中，Info GAN模型在三種數據集上均展現出一定的分類能力。通過對模型損失函數曲線的分析可知，隨著訓練輪數增加，模型損失函數值先下降后趨于穩定，表明模型逐漸收斂。在 NSL KDD 和 CICIDS2017 數據集的攻擊流量分類任務中，過采樣訓練集對模型分類識別性能有提升作用，且 WGAN div 擴充后的訓練集效果最佳。這是因為 WGAN div 生成的數據特征與原樣本更契合，類內聚集性強，能有效提升對少數樣本的分類識別率。例如，在 NSL KDD 數據集中，WGAN div 處理后的訓練集使模型準確率、精確率、召回率和 F1 值均達到最高。而 UNSW NB15 數據集訓練集數據類間混疊較嚴重，對分類準確率產生一定干擾，但 WGAN div 仍能在一定程度上改善分類效果。進一步分析數據發現，模型在處理類間差異較大的數據時，能夠更好地學習到不同類別的特征，但對于類間混疊嚴重的數據，仍面臨挑戰，未來可考慮結合特征工程或改進模型結構來提高分類性能。

2.2.2 二分類模型性能對比

通過使用二分類的手段對流量進行劃分，可以方便快捷地篩選入侵流量并進行處理。為了檢驗在二分類情況下Info GAN模型對各類型數據集的分類性能，將多種攻擊流量標簽進行合并，統一改寫為“Attack”類型，便得到了用于二分類檢測識別的訓練集和測試集。圖3展示的是Info GAN模型在各數據集的不同訓練集下進行訓練得到的模型的二分類性能評估圖。圖3（a）是模型對NSL KDD數據集的二分類測試集評估結果，整體上，二分類性能指標優于多分類結果，這主要得益于二分類簡化了分類任務，避免了攻擊流量間相互區分的難題。在 NSL KDD 數據集上，WGAN div 擴充的訓練集使模型準確率提升明顯，相比其他過采樣算法對 Info GAN 模型分類效果提升最大。在 CICIDS2017 和 UNSW NB15 數據集上，SMOTE 和 ADASYN 算法過采樣的訓練集導致 Info GAN 模型分類效果下降，而 WGAN div 擴充的模型性能指標均有所提升，再次證明 WGAN div 數據擴充技術的有效性和穩定性。深入對比不同數據集的二分類結果，發現模型在不同數據分布下的表現有所差異，對于數據分布相對簡單的數據集（如 NSL KDD 在二分類時），模型能夠更高效地學習到區分正常與攻擊流量的特征，而對于復雜數據集（如 CICIDS2017 和 UNSW NB15），雖然 WGAN div 有提升作用，但仍有進一步優化空間，可能需要更多的數據增強或模型改進策略。

2.2.3 與現有算法性能對比

為驗證Info GAN算法模型的實際性能和應用價值，采用文獻[14]和文獻[15]提出的算法、經典機器學習算法和深度學習算法與本文算法進行性能對比，分別在多分類和二分類的情況下針對準確率、精確率、召回率和F1值進行評估。表1中最后四行表示使用Info GAN模型，但使用了不同類型的訓練集最終得到的結果，其余算法均使用數據集的原訓練集進行模型訓練。

表1的數據說明，在多分類任務中，Info GAN 分類模型性能顯著優于其他算法，在三種數據集的測試集分類上均達到最高準確率和最低誤報率，充分體現了算法設計的合理性和模型分類的準確性、泛化性及可靠性。例如，在 NSL KDD 數據集上，Info GAN 模型的準確率達到 91.0%，相比其他算法有明顯提升。在二分類任務中，雖然 Info GAN 算法性能略低于部分有監督算法（如 RF、CNN LSTM 等），但作為無監督學習算法，其無需標注訓練數據的優勢不可忽視，在實際應用中可大幅節省數據標注時間，提高訓練效率。深入分析不同算法的性能差異，發現有監督算法在有大量標注數據時能充分學習數據特征，但標注數據的獲取往往成本高昂。而 Info GAN 模型能夠直接從無標簽數據中學習有效特征，在處理小樣本和不平衡數據集時表現出色，尤其在數據標注困難的場景下具有更大的應用潛力。同時，對比使用不同訓練集（原訓練集、SMOTE、ADASYN、WGAN div 擴充訓練集）的 Info GAN 模型結果，進一步證實了 WGAN div 數據擴充技術對提升模型分類性能的重要作用。

2.2.4 復雜度分析

（1）WGAN div計算復雜度

生成器與判別器訓練：WGAN div在訓練過程中需要同時訓練生成器和判別器。在每一輪訓練中，生成器生成偽數據并輸入判別器，判別器計算損失函數并更新參數，然后固定判別器參數，生成器根據判別器的反饋更新自身參數。這個過程涉及復雜的神經網絡計算，其計算復雜度較高。假設生成器和判別器的神經網絡結構分別具有p和q個參數，在訓練過程中，計算生成器損失函數和判別器損失函數的時間復雜度分別約為O（p）和O（q）。由于每一輪訓練都需要多次計算損失函數并更新參數，因此整個WGAN div數據擴充過程的計算復雜度與訓練輪數以及生成器和判別器的參數數量密切相關，大致為O（t（p+q））。

樣本插值與梯度懲罰（WGAN GP部分）：WGAN GP為了滿足約束條件，采用在真偽樣本中隨機插值進行懲罰的方式。這一操作涉及對樣本的額外處理，其計算復雜度與數據集中樣本數量n以及插值計算的復雜度有關。假設插值計算的復雜度為O（k）（k取決于具體的插值算法），則這部分操作的計算復雜度約為O（nk）。在整體WGAN div數據擴充過程中，雖然這部分計算復雜度相對生成器和判別器訓練較低，但也不可忽視。

（2）InfoGAN 計算復雜度

生成器與判別器對抗訓練：Info GAN模型基于原始GAN的對抗訓練框架，其生成器和判別器的訓練過程與WGAN div類似，也涉及復雜的神經網絡計算。同樣假設生成器和判別器的參數數量分別為p′和q′，訓練輪數為t′，則這部分計算復雜度約為O（t′（p′+q′））。

潛向量處理與互信息計算：Info GAN通過改進輸入噪聲矢量，引入了潛向量，并在目標函數中考慮了潛向量與生成數據之間的互信息熵。計算互信息熵需要對數據分布進行估計和計算，這增加了一定的計算復雜度。假設處理潛向量和計算互信息熵的復雜度為O（l）（l取決于具體的計算方法和數據分布情況），則這部分操作在每一輪訓練中都需要執行，因此其計算復雜度約為O（t′l）。在整個 Info GAN 模型訓練過程中，這部分計算復雜度雖然相對生成器和判別器對抗訓練較低，但對于模型整體性能和計算資源需求也有一定影響。

綜合上述各部分的計算復雜度分析，基于WGAN div和Info GAN的無監督學習入侵流量分類模型的總計算復雜度可以表示為O（t（p+q）+nk）+O（t′（p′+q′）+t′l）。

3 結 論

提出了一種基于WGAN div和Info GAN的無監督學習入侵流量分類模型，算法通過改進輸入量為噪聲和潛向量的疊加量，解決了原始GAN可解釋性差的問題。相比于有監督的深度學習模型，算法直接使用無標簽數據進行訓練和分類，節省了標注數據標簽的工作量。通過WGAN div算法對數據訓練集進行特征學習，并合成少數樣本數據以實現數據擴充的目的，改善小樣本在不平衡數據集中的分布，解決了深度學習網絡在不平衡數據集的學習中易忽略小樣本特征信息的問題，通過過采樣前后的對比及與SMOTE、ADASYN過采樣效果的比較說明了WGAN div算法對于分類模型性能提高的重要作用。

本文提出的算法在NSL KDD、CICIDS2017、UNSW NB15的測試集上進行了入侵流量分類性能的測試和算法效能對比，使用的性能指標包括準確率、精確率、召回率、調和平均值。結果顯示，算法在多分類任務上性能均達到最佳，準確率分別達到91.0%，97.1%，79.9%，同時保持較高的二分類準確率和精確率，性能優于大部分深度學習算法。整體來看，本文提出的算法誤報率低、泛化性好，具備較高的可靠性和工程應用價值。

參考文獻

［１］ MUKHERJEE B， HEBERLEIN L T， LEVITT K N. Network intrusion detection[J]. IEEE Network， 1994， 8（3）： 26-41.

［2］ AHMAD Z， KHAN S A， SHIANG W C， et al. Network intrusion detection system： a systematic study of machine learning and deep learning approaches[J]. Transactions on Emerging Telecommunications Technologies， 2021， 32（1）： e41507.

［3］ PANIGRAHI R， BORAH S. A detailed analysis of CICIDS2017 dataset for designing intrusion detection systems[J]. International Journal of Engineering amp; Technology， 2018， 7（3.24）： 479-482．

［4］ LECUN Y， BENGIO Y， HINTON G. Deep learning[J]. Nature， 2015， 521（7553）： 436-444．

［5］ SALO F， NASSIF A B， ESSEX A. Dimensionality reduction with IG PCA and ensemble classifier for network intrusion detection[J]. Computer Networks， 2019， 148： 164-175.

［6］ AL QATF M， LASHENG Y， AL HABIB M， et al. Deep learning approach combining sparse autoencoder with SVM for network intrusion detection[J]. IEEE Access， 2018， 6：52843-52856.

［7］ SU T， SUN H， ZHU J， et al. BAT： deep learning methods on network intrusion detection using NSL KDD dataset[J]. IEEE Access， 2020， 8：29575-29585.

［8］ 劉濤濤， 付鈺， 王坤， 等. 基于VAE CWGAN和特征統計重要性融合的網絡流量異常檢測方法[J/OL].通信學報， 2024.

［9］ LIU H， LANG B. Machine learning and deep learning methods for intrusion detection systems： a survey[J]. Applied Sciences， 2019， 9（20）： 4396.

［10］GOODFELLOW I， POUGET ABADIE J， MIRZA M， et al. Generative adversarial networks[J]. Communications of the ACM， 2020， 63（11）： 139-144.

［11］VU L， NGUYEN Q U. Handling imbalanced data in intrusion detection systems using generative adversarial networks[J]. Journal of Research and Development on Information and Communication Technology， 2020， 2020（1）： 1-13.

［12］LEE J H， PARK K H. GAN based imbalanced data intrusion detection system[J]. Personal and Ubiquitous Computing， 2021， 25（1）： 121-128.

［13］ZHANG X. Network intrusion detection using generative adversarial networks[D]. New Zealand：University of Canterbury，2020.

［14］CHEN H， JIANG L. Efficient GAN based method for cyber intrusion detection[J].arXiv preprint arXiv：1904.02426， 2019.

［15］顧偉， 行鴻彥， 侯天浩. 基于網絡流量時空特征和自適應加權系數的異常流量檢測方法[J].電子與信息學報， 2024， 46（6）： 2647-2654.

［16］BAGUI S， LI K. Resampling imbalanced data for network intrusion detection datasets[J]. Journal of Big Data， 2021， 8（1）： 1-41.

［17］LIU X， LI T， ZHANG R， et al. A gan and feature selection based oversampling technique for intrusion detection[J]. Security and Communication Networks， 2021， 2021（1）： 9947059.

［18］ALEESA A M， YOUNIS M， MOHAMMED A A， et al. Deep intrusion detection system with enhanced UNSW NB15 dataset based on deep learning techniques[J]. Journal of Engineering Science and Technology， 2021， 16（1）： 711-727.