DeepShieldIDS：一种基于人工智能的入侵检测系统，利用HybridIDSNet技术实现强大的网络安全防护

《Scientific Reports》：DeepShieldIDS: an AI-powered intrusion detection system leveraging HybridIDSNet for robust network security

　　

摘要

传统的入侵检测系统（IDS）在保护现代网络环境免受不断演变的网络威胁方面，很大程度上无法提供所需的防护水平。传统的基于机器学习的特征表示方法是静态的，无法捕捉网络流量的时间行为，这限制了其在异构环境下的性能。深度学习方法提高了检测准确性，但在特征多样性、类别不平衡和跨环境泛化方面仍存在挑战。为了解决这些问题，我们提出了DeepShieldIDS，这是一个基于深度学习的混合网络入侵检测框架，它结合了卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力机制，并将它们集成到一个统一的评估流程中。HybridIDSNet利用空间特征提取、时间序列建模和特征加权注意力机制来提升流量分类性能。我们在两个基准数据集CIC-IDS2017和UNSW-NB15上进行了实验，分别在独立评估和跨数据集评估环境中进行了测试。该模型的性能优于传统的机器学习模型（随机森林、SVM和XGBoost）以及基于CNN和LSTM的基线模型，准确率分别达到了97.98%和98.02%，ROC-AUC分数分别为99.05%和99.12%。虽然评估仅限于监督学习环境，但跨数据集验证表明该模型在面对异构流量分布时具有更好的泛化能力。所提出的框架注重实际部署需求，并采用了规范化的预处理流程，为网络入侵检测提供了可扩展的混合深度学习解决方案的概览。