基于人工智能技術(shù)的輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)設(shè)計(jì)

摘" 要： 以提升網(wǎng)絡(luò)入侵檢測(cè)技術(shù)水平為目的，設(shè)計(jì)基于人工智能技術(shù)的輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)。該系統(tǒng)數(shù)據(jù)采集層利用若干個(gè)用戶探針連接IDS檢測(cè)服務(wù)器后，使用網(wǎng)絡(luò)數(shù)據(jù)包捕獲模塊捕獲用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)，再通過(guò)傳輸層內(nèi)防火墻、核心交換機(jī)和MQTT/CoAP通信協(xié)議將用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)發(fā)送到邏輯運(yùn)算層內(nèi)，該層利用數(shù)據(jù)預(yù)處理模塊對(duì)用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)進(jìn)行去噪預(yù)處理后，將其輸入到基于人工智能的網(wǎng)絡(luò)入侵檢測(cè)模塊內(nèi)，通過(guò)該模塊輸出輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)結(jié)果，然后將檢測(cè)結(jié)果發(fā)送到展示層，通過(guò)入侵告警信息、數(shù)據(jù)可視化展示等模塊實(shí)現(xiàn)人機(jī)交互。實(shí)驗(yàn)表明：該系統(tǒng)運(yùn)行較為穩(wěn)定，可有效檢測(cè)不同類型網(wǎng)絡(luò)入侵的同時(shí)，其檢測(cè)及時(shí)性和入侵告警能力較好，應(yīng)用效果良好。

關(guān)鍵詞： 人工智能； 輕量級(jí)； 網(wǎng)絡(luò)入侵； 檢測(cè)系統(tǒng)； 數(shù)據(jù)采集； 硬件結(jié)構(gòu)； 無(wú)監(jiān)督； 免疫優(yōu)化

中圖分類號(hào)： TN711?34； TP391" " " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " "文章編號(hào)： 1004?373X（2024）05?0108?04

Design of lightweight network intrusion detection system

based on artificial intelligence technology

DONG Weiwei1， WANG Xi2， ZHONG Xinhui3， FENG Shijie4， WANG Meihong5

（1. School of Information Science and Technology， Hainan University， Haikou 570100， China;

2. School of Information and Communication Engineering， Communication University of China， Beijing 100024， China;

3. School of Microelectronics and Communication Engineering， Chongqing University， Chongqing 400044， China;

4. School of Computer Science and Technology， North China Electric Power University， Beijing 100000， China;

5. School of Cyberspace Security （School of Cryptography）， Hainan University， Haikou 570100， China）

Abstract： A lightweight network intrusion detection system based on artificial intelligence technology is designed to improve the level of network intrusion detection. In the data collection layer of the system， several user probes are used to be connected with the IDS detection server， and then a network packet capture module is used to capture user network operation data. Then， the user network operation data is sent to the logical operation layer by the firewall， core switch， and MQTT/CoAP communication protocol in the transport layer. In the logical operation layer， a data preprocessing module is used to denoise and preprocess the user network operation data. And then， the data after denoising is input into the network intrusion detection module based on artificial intelligence. By this module， the lightweight network intrusion detection results are output. The detection results are sent to the display layer， and the human?computer interaction is realized by intrusion alarm information module and data visualization display module. The experiment shows that the system runs relatively smoothly and can detect different types of network intrusions effectively. At the same time， its detection timeliness and intrusion alarm ability are good， which achieves satisfied application effect.

Keywords： artificial intelligence; lightweight; network intrusion; detection system; data collection; hardware structure; non?supervision; immune optimization

0" 引" 言

在網(wǎng)絡(luò)日益發(fā)達(dá)的現(xiàn)在，網(wǎng)絡(luò)入侵現(xiàn)象時(shí)有發(fā)生，給網(wǎng)絡(luò)用戶信息安全帶來(lái)嚴(yán)重威脅。網(wǎng)絡(luò)入侵檢測(cè)則是通過(guò)采集和分析網(wǎng)絡(luò)信息，發(fā)現(xiàn)網(wǎng)絡(luò)入侵的一種網(wǎng)絡(luò)保護(hù)技術(shù)[1?2]，其主要功能是對(duì)網(wǎng)絡(luò)和用戶計(jì)算機(jī)系統(tǒng)進(jìn)行實(shí)時(shí)監(jiān)控，檢測(cè)網(wǎng)絡(luò)和用戶計(jì)算機(jī)系統(tǒng)遭受的入侵行為并向用戶發(fā)出告警。但在網(wǎng)絡(luò)日益發(fā)達(dá)，網(wǎng)絡(luò)用戶和設(shè)備激增的情況下，針對(duì)網(wǎng)絡(luò)入侵檢測(cè)過(guò)程中會(huì)出現(xiàn)漏警、延遲告警等現(xiàn)象，面對(duì)該情況[3]，研究輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)是該領(lǐng)域研究關(guān)注的重點(diǎn)?，F(xiàn)在也有很多學(xué)者研究輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)，如文獻(xiàn)[3]設(shè)計(jì)網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)，該系統(tǒng)通過(guò)采集網(wǎng)絡(luò)連接特征值后，針對(duì)不同網(wǎng)絡(luò)流量形式設(shè)置評(píng)分機(jī)制，再通過(guò)深度學(xué)習(xí)模型輸出網(wǎng)絡(luò)入侵檢測(cè)結(jié)果。文獻(xiàn)[4]提出多模型判別的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)，該系統(tǒng)運(yùn)用Bagging算法將支持向量機(jī)、時(shí)序卷積神經(jīng)網(wǎng)絡(luò)、殘差神經(jīng)網(wǎng)絡(luò)集成于一體，將網(wǎng)絡(luò)數(shù)據(jù)輸入到以上模型內(nèi)獲得網(wǎng)絡(luò)入侵檢測(cè)結(jié)果。以上系統(tǒng)雖然均可實(shí)現(xiàn)輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)，但檢測(cè)結(jié)果精度不足，導(dǎo)致該兩種系統(tǒng)應(yīng)用效果不佳。人工智能技術(shù)是指利用計(jì)算機(jī)程序?qū)崿F(xiàn)人類智能的技術(shù)，其包括推理、學(xué)習(xí)、感知的多種機(jī)器學(xué)習(xí)算法[5]，在各個(gè)領(lǐng)域應(yīng)用極為廣泛，本文在此以人工智能技術(shù)為基礎(chǔ)，設(shè)計(jì)基于人工智能技術(shù)的輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)，提升網(wǎng)絡(luò)入侵檢測(cè)技術(shù)水平。

1" 輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)

1.1" 系統(tǒng)總體結(jié)構(gòu)

設(shè)計(jì)輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)總體結(jié)構(gòu)，如圖1所示。輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)由采集層、傳輸層、邏輯運(yùn)算層和展示層組成，在采集層內(nèi)利用若干個(gè)用戶探針獲得用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)，經(jīng)過(guò)IDS檢測(cè)服務(wù)器傳輸后使用網(wǎng)絡(luò)數(shù)據(jù)包捕獲模塊獲得當(dāng)前用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)，然后將其傳輸?shù)絺鬏攲觾?nèi)，該層通過(guò)防火墻、核心交換機(jī)和通信協(xié)議將當(dāng)前網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)傳輸?shù)竭壿嬤\(yùn)算層內(nèi)，該層使用數(shù)據(jù)預(yù)處理模塊對(duì)網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)進(jìn)行去噪預(yù)處理后，將其輸入到基于人工智能的網(wǎng)絡(luò)入侵檢測(cè)模塊內(nèi)，通過(guò)該模塊獲得當(dāng)前輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)結(jié)果后，通過(guò)展示層內(nèi)的歷史記錄查詢、入侵檢測(cè)結(jié)果展示等模塊為用戶提供交互功能。

1.2" IDS檢測(cè)服務(wù)器硬件設(shè)計(jì)

IDS檢測(cè)服務(wù)器由若干個(gè)Agent組成Agent庫(kù)，并以其為基礎(chǔ)建立控制中心，每個(gè)Agent之間通信借助消息傳遞方式運(yùn)行[6]。IDS檢測(cè)服務(wù)器硬件結(jié)構(gòu)如圖2所示。

IDS檢測(cè)服務(wù)器硬件由被檢測(cè)主機(jī)、主控制中心和分區(qū)控制中心組成。被檢測(cè)網(wǎng)絡(luò)主機(jī)由通信組件、巡視Agent、響應(yīng)模塊和數(shù)據(jù)采集模塊組成，負(fù)責(zé)獲取被檢測(cè)主機(jī)運(yùn)行數(shù)據(jù)并將其發(fā)送到分區(qū)控制中心內(nèi)。分區(qū)控制中心對(duì)接收被檢測(cè)主機(jī)運(yùn)行數(shù)據(jù)[7]，巡視并分析Agent后，通過(guò)通信組件將被檢測(cè)主機(jī)運(yùn)行數(shù)據(jù)發(fā)送到主控制中心內(nèi)。主控制中心由Agent庫(kù)、管理模塊、響應(yīng)模塊和綜合分析模塊組成，其負(fù)責(zé)對(duì)被檢測(cè)主機(jī)運(yùn)行數(shù)據(jù)進(jìn)行綜合分析后將其傳輸?shù)较到y(tǒng)采集層網(wǎng)絡(luò)數(shù)據(jù)包捕獲模塊內(nèi)，獲得最終的用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)。

1.3" 系統(tǒng)軟件設(shè)計(jì)

1.3.1" 數(shù)據(jù)包捕獲程序設(shè)計(jì)

系統(tǒng)采集層網(wǎng)絡(luò)數(shù)據(jù)包捕獲模塊是系統(tǒng)的關(guān)鍵部分，其負(fù)責(zé)采集用戶在網(wǎng)絡(luò)上的運(yùn)行數(shù)據(jù)，是實(shí)現(xiàn)輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)的基礎(chǔ)，設(shè)計(jì)數(shù)據(jù)包捕獲軟件運(yùn)行流程如圖3所示。

系統(tǒng)采集層網(wǎng)絡(luò)數(shù)據(jù)包捕獲模塊開始運(yùn)行時(shí)，先開啟網(wǎng)卡混雜模式，然后對(duì)IDS檢測(cè)服務(wù)器進(jìn)行監(jiān)聽，尋找當(dāng)前傳輸用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)設(shè)備，判斷是否尋找到設(shè)備，若沒有則繼續(xù)對(duì)IDS檢測(cè)服務(wù)器進(jìn)行監(jiān)聽，若尋找到設(shè)備，則開啟網(wǎng)絡(luò)設(shè)備或文件后，獲取當(dāng)前網(wǎng)絡(luò)號(hào)和掩碼[8]，捕獲當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)包并傳輸后結(jié)束數(shù)據(jù)包捕獲程序，經(jīng)過(guò)上述過(guò)程完成數(shù)據(jù)包捕獲過(guò)程。

1.3.2" 基于人工智能技術(shù)的網(wǎng)絡(luò)入侵檢測(cè)算法

系統(tǒng)獲取到用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)后，系統(tǒng)邏輯運(yùn)算層對(duì)數(shù)據(jù)進(jìn)行去噪預(yù)處理，避免影響輕量級(jí)入侵檢測(cè)的精度，然后將去噪預(yù)處理后的用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)輸入到基于人工智能技術(shù)的網(wǎng)絡(luò)入侵檢測(cè)模塊內(nèi)，該模塊利用人工智能技術(shù)中的無(wú)監(jiān)督免疫優(yōu)化分層對(duì)用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)進(jìn)行輕量級(jí)入侵檢測(cè)[9?10]，其詳細(xì)過(guò)程如下：

用戶網(wǎng)絡(luò)入侵可分為內(nèi)部入侵和外部入侵，建立輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)模型[f（x）]，該模型表達(dá)式如下：

[f（x）=synR-K（x，x）-2jλjK（xj，x）+i，jλiλjK（xj，xi）] （1）

式中：syn（·）表示合成數(shù)據(jù)，通過(guò)使用合成數(shù)據(jù)來(lái)建立入侵檢測(cè)模型，以增加模型的訓(xùn)練樣本數(shù)量；[R]表示用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)識(shí)別特征；[K（xj，xi）]表示用戶網(wǎng)絡(luò)訪問(wèn)數(shù)據(jù)；[λ]表示訪問(wèn)數(shù)據(jù)類別標(biāo)記。

由于用戶遭受網(wǎng)絡(luò)入侵是無(wú)監(jiān)督的[11]，對(duì)于無(wú)監(jiān)督訪問(wèn)數(shù)據(jù)沒有類別的標(biāo)識(shí)[12?13]，導(dǎo)致其入侵特征不夠明顯，在此使用免疫網(wǎng)絡(luò)優(yōu)化方法對(duì)網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)進(jìn)行學(xué)習(xí)壓縮。令[G]表示由用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)建立的免疫網(wǎng)絡(luò)矩陣，然后通過(guò)計(jì)算免疫網(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)[Gi]和[Gj]的相似性判斷矩陣行向量的距離，依據(jù)該距離對(duì)用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)進(jìn)行學(xué)習(xí)壓縮。以學(xué)習(xí)壓縮處理后的用戶網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)為基礎(chǔ)，將該數(shù)據(jù)對(duì)偶成一個(gè)優(yōu)化分類函數(shù)[Q（G）]，表達(dá)公式如下：

[Q（G）=i=1NQi-i，j=1nQiQj（xi，xj）2] （2）

依據(jù)公式（1），則輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)模型可改寫為：

[f（x）=synR-G（x，x）-2jλjG（xj，x）] （3）

利用優(yōu)化分類函數(shù)[Q（G）]對(duì)公式（3）進(jìn)行優(yōu)化求解后，即可得到輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)結(jié)果，將該結(jié)果發(fā)送至系統(tǒng)展示層內(nèi)，通過(guò)入侵告警信息模塊向用戶發(fā)出入侵告警，通過(guò)入侵檢測(cè)結(jié)果模塊為用戶呈現(xiàn)入侵檢測(cè)結(jié)果。

2" 實(shí)驗(yàn)分析

以某學(xué)校內(nèi)網(wǎng)作為實(shí)驗(yàn)對(duì)象，該學(xué)校內(nèi)網(wǎng)由于應(yīng)用特殊性，經(jīng)常遭受網(wǎng)絡(luò)入侵，對(duì)網(wǎng)絡(luò)信息安全造成了嚴(yán)重影響，運(yùn)用本文系統(tǒng)對(duì)該學(xué)校網(wǎng)絡(luò)進(jìn)行輕量級(jí)入侵檢測(cè)，驗(yàn)證本文系統(tǒng)的實(shí)際應(yīng)用效果。

用戶網(wǎng)絡(luò)數(shù)據(jù)包捕獲是輕量級(jí)網(wǎng)絡(luò)入侵的基礎(chǔ)，以該高校網(wǎng)絡(luò)內(nèi)10臺(tái)主機(jī)作為實(shí)驗(yàn)對(duì)象，測(cè)試該10臺(tái)主機(jī)運(yùn)行時(shí)本文系統(tǒng)捕獲其數(shù)據(jù)包的能力，結(jié)果如表1所示。

分析表1可知，運(yùn)用本文系統(tǒng)捕獲10臺(tái)主機(jī)運(yùn)行時(shí)的網(wǎng)絡(luò)數(shù)據(jù)，捕獲的數(shù)據(jù)包個(gè)數(shù)與實(shí)際數(shù)據(jù)包個(gè)數(shù)最大差值僅為1，該差值較小，其說(shuō)明本文系統(tǒng)可有效捕獲網(wǎng)絡(luò)數(shù)據(jù)包，為后續(xù)輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)提供數(shù)據(jù)基礎(chǔ)。

以不同線程數(shù)情況下系統(tǒng)性能損失值作為衡量系統(tǒng)穩(wěn)定性的指標(biāo)，測(cè)試在不同運(yùn)行線程情況下本文系統(tǒng)的性能損失值變化情況，同時(shí)設(shè)置性能損失值閾值為10%，測(cè)試結(jié)果如圖4所示。

分析圖4可知，本文系統(tǒng)在運(yùn)行時(shí)，其性能損失值隨著運(yùn)行線程數(shù)量的增加而增加，但在運(yùn)行線程數(shù)量為80個(gè)之前，本文系統(tǒng)性能損失率數(shù)值較低，當(dāng)運(yùn)行線程數(shù)量超過(guò)80個(gè)后，系統(tǒng)的性能損失率呈現(xiàn)稍大幅度的上升趨勢(shì)，但性能損失值均低于預(yù)設(shè)閾值。上述結(jié)果表明：本文系統(tǒng)在運(yùn)行過(guò)程中受運(yùn)行線程數(shù)量影響較小，系統(tǒng)運(yùn)行穩(wěn)定性能較好。

運(yùn)用本文系統(tǒng)對(duì)某時(shí)段內(nèi)的校園網(wǎng)絡(luò)入侵進(jìn)行檢測(cè)，檢測(cè)結(jié)果如圖5所示。

分析圖5可知，運(yùn)用本文系統(tǒng)可有效從若干網(wǎng)絡(luò)運(yùn)行正常數(shù)據(jù)內(nèi)檢測(cè)到入侵?jǐn)?shù)據(jù)，檢測(cè)到的入侵?jǐn)?shù)據(jù)個(gè)數(shù)與實(shí)際入侵?jǐn)?shù)據(jù)個(gè)數(shù)完全吻合，說(shuō)明本文系統(tǒng)具備較好的輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)能力。

以不同網(wǎng)絡(luò)入侵類型作為實(shí)驗(yàn)對(duì)象，使用本文系統(tǒng)對(duì)不同網(wǎng)絡(luò)入侵類型進(jìn)行輕量級(jí)檢測(cè)并告警，以告警時(shí)延作為衡量本文系統(tǒng)輕量級(jí)檢測(cè)性能的指標(biāo)，驗(yàn)證本文系統(tǒng)應(yīng)用效果，測(cè)試結(jié)果如表2所示。

分析表2可知，對(duì)于不同類型的網(wǎng)絡(luò)入侵，本文系統(tǒng)均可有效檢測(cè)并告警，其中告警延遲最大數(shù)值僅為0.05 ms，該數(shù)值較小，說(shuō)明本文系統(tǒng)可及時(shí)對(duì)網(wǎng)絡(luò)入侵進(jìn)行告警，告警延遲時(shí)間較小也說(shuō)明本文系統(tǒng)輕量級(jí)檢測(cè)能力較好，應(yīng)用效果較好。

3" 結(jié)" 論

本文設(shè)計(jì)基于人工智能技術(shù)的輕量級(jí)網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)，并以某高校內(nèi)網(wǎng)作為實(shí)驗(yàn)對(duì)象，對(duì)本文系統(tǒng)進(jìn)行了多角度驗(yàn)證，從驗(yàn)證結(jié)果得知，本文系統(tǒng)捕獲網(wǎng)絡(luò)運(yùn)行數(shù)據(jù)包能力較強(qiáng)，可有效檢測(cè)數(shù)據(jù)內(nèi)的入侵?jǐn)?shù)據(jù)，并及時(shí)向用戶發(fā)出入侵告警，具備較好的應(yīng)用效果，未來(lái)可在網(wǎng)絡(luò)入侵檢測(cè)領(lǐng)域廣泛應(yīng)用。

參考文獻(xiàn)

[1] 黃學(xué)臻，翟翟，周琳，等.基于輕量級(jí)密集神經(jīng)網(wǎng)絡(luò)的車載自組網(wǎng)入侵檢測(cè)方法[J].電子技術(shù)應(yīng)用，2022，48（7）：67?73.

[2] 楊彥榮，宋榮杰，周兆永.基于GAN?PSO?ELM的網(wǎng)絡(luò)入侵檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用，2020，56（12）：66?72.

[3] 何俊鵬，羅蕾，肖堃，等.基于特征值分布和人工智能的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)的研究與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用研究，2021，38（9）：2746?2751.

[4] 馬琳，王云霄，趙麗娜，等.基于多模型判別的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)[J].計(jì)算機(jī)科學(xué)，2021，48（z2）：592?596.

[5] 劉景美，高源伯.自適應(yīng)分箱特征選擇的快速網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)[J].西安電子科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，48（1）：176?182.

[6] 李貝貝，宋佳芮，杜卿蕓，等.DRL?IDS：基于深度強(qiáng)化學(xué)習(xí)的工業(yè)物聯(lián)網(wǎng)入侵檢測(cè)系統(tǒng)[J].計(jì)算機(jī)科學(xué)，2021，48（7）：47?54.

[7] 王璐，文武松.基于人工智能的分布式入侵檢測(cè)研究[J].計(jì)算機(jī)科學(xué)，2022，49（10）：353?357.

[8] 沈綱祥.基于人工智能技術(shù)的光通信網(wǎng)絡(luò)應(yīng)用研究[J].通信學(xué)報(bào)，2020，41（1）：162?168.

[9] 南靜，寧傳峰，建中華，等.基于隨機(jī)配置網(wǎng)絡(luò)的輕量級(jí)人體行為識(shí)別模型[J].控制與決策，2023，38（6）：1541?1550.

[10] 卞葉童，孫涵.多信息輔助的U型輕量級(jí)顯著性目標(biāo)檢測(cè)模型[J].小型微型計(jì)算機(jī)系統(tǒng)，2023，44（9）：2023?2029.

[11] 柴亞闖，楊文忠，張志豪，等.基于EKM?AE模型的無(wú)監(jiān)督主機(jī)入侵檢測(cè)方法[J].小型微型計(jì)算機(jī)系統(tǒng)，2021，42（4）：868?874.

[12] 蔡美玲，汪家喜，劉金平，等.基于Transformer GAN架構(gòu)的多變量時(shí)間序列異常檢測(cè)[J].中國(guó)科學(xué)：信息科學(xué)，2023，53（5）：972?992.

[13] 王進(jìn)，李琪，黃家瑋.路徑差異敏感的包散射策略機(jī)制[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（5）：72?75.