IIoT场景下基于交叉注意力融合的小样本网络入侵-电信科学

一、本刊要求作者有严谨的学风和朴实的文风，提倡互相尊重和自由讨论。凡采用他人学说，必须加注说明。二、不要超过10000字为宜，精粹的短篇，尤为欢迎。三、请作者将稿件（用WORD格式）发送到下面给出的征文信箱中。四、凡来稿请作者自留底稿，恕不退稿。五、为规范排版，请作者在上传修改稿时严格按以下要求： 1．论文要求有题名、摘要、关键词、作者姓名、作者工作单位（名称，省市邮编）等内容一份。 2．基金项目和作者简介按下列格式：基金项目：项目名称（编号）作者简介：姓名（出生年－），性别，民族（汉族可省略），籍贯，职称，学位，研究方向。 3．文章一般有引言部分和正文部分，正文部分用阿拉伯数字分级编号法，一般用两级。插图下方应注明图序和图名。表格应采用三线表，表格上方应注明表序和表名。 4．参考文献列出的一般应限于作者直接阅读过的、最主要的、发表在正式出版物上的文献。其他相关注释可用脚注在当页标注。参考文献的著录应执行国家标准GB7714-87的规定，采用顺序编码制。

IIoT场景下基于交叉注意力融合的小样本网络入侵

作者:

关键词:

摘要：

研究背景与问题

在工业物联网（IIoT）的快速发展背景下，网络攻击手段日益复杂多样，攻击样本的稀缺性、攻击行为的复杂多态性以及数据分布的高度不平衡成为网络入侵检测面临的严峻挑战。针对这些问题，现有的入侵检测模型往往依赖于大量标注数据，而在实际应用中，特别是对于IIoT系统，获取大量标注数据是非常困难的。因此，如何利用有限的小样本数据进行有效的入侵检测，成为当前研究的热点问题。

研究方法

本研究提出了一种基于交叉注意力融合的小样本入侵检测模型CA-FSL。该模型的核心在于构建一个双流特征提取模块，该模块分别提取网络流量的时序动态特征和统计静态特征。具体来说，模型首先通过时序特征提取模块捕捉网络流量的时间序列变化，然后通过统计特征提取模块提取网络流量的统计特性。接着，模型利用交叉注意力机制，将两个模块提取的特征进行融合，以增强模型对小样本数据的处理能力。

核心结果

通过在多个IIoT数据集上的实验验证，CA-FSL模型在检测精度、召回率等方面均优于现有的入侵检测方法。实验结果表明，CA-FSL模型能够有效地处理小样本数据，在攻击样本稀缺的情况下仍能保持较高的检测性能。此外，模型在处理具有复杂攻击行为和数据分布不平衡的IIoT网络流量数据时，表现出良好的鲁棒性和泛化能力。

结论与意义

本研究提出的CA-FSL模型为IIoT场景下的小样本入侵检测提供了一种有效的解决方案。该模型不仅提高了入侵检测的准确性，而且在数据稀缺的情况下仍然能够有效工作。这对于实际IIoT系统的安全防护具有重要意义。此外，该模型的设计和实现为后续研究提供了有益的参考，有助于推动小样本入侵检测技术的发展和应用。

文章来源：《电信科学》网址: http://www.dianxinkexue.cn/qikandaodu/2026/1027/332.html