连续时间循环神经网络（CW-RNN）模型在网络攻击检测中的应用及其对国际法治理的推动作用

《Scientific Reports》：Application of CW-RNN model in network attack detection and its promotion to the governance of international law

　　

摘要

为了解决现代网络攻击检测中多时间尺度时间特征建模不足的核心问题，本研究提出了一种基于时钟工作循环神经网络（CW-RNN）的网络攻击检测模型。该模型引入了时间分割处理机制，将隐藏层神经元划分为具有不同时钟频率的模块化结构，并整合了注意力机制以增强关键攻击阶段的特征提取能力。构建了一种端到端的智能检测架构，能够自适应地捕捉短期突发攻击和长期潜伏攻击的特征。在两个基准数据集上进行了实验验证：新南威尔士大学网络基准2015（UNSW-NB15）和加拿大网络安全研究所入侵检测系统2018（CSE-CIC-IDS2018）。实验结果表明，所提出的CW-RNN模型在这两个数据集上的检测准确率分别达到了95.8%和95.2%，宏观平均F1分数分别为94.2%和93.6%，显著优于长短期记忆网络（LSTM）和卷积神经网络（CNN）等主流基准模型。同时，该模型的训练时间减少了25%，推理速度提高了18%以上，实现了检测准确率和计算效率的双重优化。其模块化的多时间尺度处理设计为网络攻击检测提供了一种高效且实用的技术解决方案。