A Lightweight Cross-Domain Adaptation Method for Network Intrusion Detection via Time-Series GAN
Abstract
1. 研究背景与挑战 随着网络流量日益复杂和类别不平衡的严重问题，传统的入侵检测系统（IDS）面临一个关键瓶颈：高精度特征提取与高效实时部署之间的权衡。像Transformers这样复杂的架构会带来较大的计算开销，而轻量级模型往往难以捕捉细微的双向时间依赖性，导致在不平衡数据集上判别能力不足。这一限制阻碍了IDS在高速网络环境中的实际应用。2. 核心方法与架构 本研究提出了一种基于双层双向长短期记忆蒸馏（2DBM）的新型入侵检测方法。核心逻辑在于通过“知识继承”将模型能力与部署成本脱钩。首先，利用集成时间注意力机制的双层BiLSTM构建深度教师模型，以挖掘高阶非线性特征。随后，引入了创新的双重知识提炼框架，将教师模型中学到的“黑暗知识”转移到结构简化的学生模型中。3. 实验验证与性能 UNSW-NB15 和 CIC-IDS 2017 数据集的实验结果表明，2DBM 显著提升了检测性能，同时实现了模型轻量化。该模型保持检测准确率超过99%，假阳性率（FPR）低于0.5%，同时将参数计数减少4.9倍，推断延迟降低60%。2DBM持续优于现有的Transformer-IDS和LightGRU模型，有效实现了稳健性和实时性能的深度集成。
Fields of Study & Subjects
Network Security and Intrusion Detection
Network Packet Processing and Optimization
Artificial Immune Systems Applications
Publication details
- Journal / source
- Figshare
- Publication date
- 15 March 2026
- Language
- EN
- Document type
- Dataset