基于元学习与VAE⁃GAN的META⁃VAEGAN⁃DNN网络入侵检测方法

王璐; 赵利辉; 安洋; 符赫; 常家瑜

doi:10.62756/jnuc.issn.1673-3193.2025.09.0002

您当前的位置：

首页 >

文章列表页 >

基于元学习与VAE⁃GAN的META⁃VAEGAN⁃DNN网络入侵检测方法

网络安全检测 | 更新时间：2026-07-31

- 基于元学习与VAE⁃GAN的META⁃VAEGAN⁃DNN网络入侵检测方法
- A Meta⁃Learning and VAE⁃GAN Based META⁃VAEGAN⁃DNN Method for Network Intrusion Detection
- 中北大学学报(自然科学版) 2026年47卷第4期页码：541-552
- 作者机构：
  
  1.中北大学软件学院，山西太原 030051
  2.中北大学半导体与物理学院，山西太原 030051
- 作者简介：
  
  王璐（1998-），女，硕士生，主要从事网络安全领域的研究。
  赵利辉（1979-），男，副教授，博士，主要从事网络测试与网络安全方向的研究。E⁃mail： leehwi@nuc.edu.cn。
- 基金信息：
  
  山西省基础研究计划青年科学研究项目(202203021212114)
- DOI：10.62756/jnuc.issn.1673-3193.2025.09.0002
  中图分类号： TP393.08
- 收稿：2025-09-05，
  
  网络首发：2026-06-13，
  
  纸质出版：2026-08-31
- 稿件说明：
移动端阅览
王璐，赵利辉，安洋，等. 基于元学习与VAE⁃GAN的META⁃VAEGAN⁃DNN网络入侵检测方法［J］. 中北大学学报（自然科学版）， 2026， 47（4）： 541-552.

Wang Lu， Zhao Lihui， An Yang， et al. A meta⁃learning and VAE⁃GAN based META⁃VAEGAN⁃DNN method for network intrusion detection［J］. Journal of North University of China（Natural Science Edition）， 2026， 47（4）： 541-552.
王璐，赵利辉，安洋，等. 基于元学习与VAE⁃GAN的META⁃VAEGAN⁃DNN网络入侵检测方法［J］. 中北大学学报（自然科学版）， 2026， 47（4）： 541-552. DOI： 10.62756/jnuc.issn.1673-3193.2025.09.0002.

Wang Lu， Zhao Lihui， An Yang， et al. A meta⁃learning and VAE⁃GAN based META⁃VAEGAN⁃DNN method for network intrusion detection［J］. Journal of North University of China（Natural Science Edition）， 2026， 47（4）： 541-552. DOI： 10.62756/jnuc.issn.1673-3193.2025.09.0002.

摘要

针对网络入侵检测中数据集不平衡导致少数类攻击识别困难的问题，本文提出一种基于元学习与变分自编码器生成对抗网络（VAE-GAN）的网络入侵检测方法META-VAEGAN-DNN。首先，构建META-VAEGAN数据增强模型以缓解数据集不平衡的问题；其次，提出差异化样本处理策略，并针对少数类样本设计渐进式质量筛选机制，在提升整体样本质量的同时确保少数类样本的有效生成；最后，通过结合通道注意力与多层残差连接的DNN模型对生成的平衡数据集进行分类。基于NSL-KDD数据集的实验表明， META-VAEGAN-DNN模型在网络攻击检测中的准确率、

1分数和AUC分别达到了89%， 90%和98%；其中U2R类别的精确率和召回率分别提升至98%和99%； R2L类别的精确率和召回率分别提升至99%和73%，显著优于传统方法。在CIC-IDS-2017数据集上的辅助验证进一步证明了模型的通用性。

Abstract

Class imbalance in network intrusion detection makes minority attack classes particularly challenging to identify. To address this issue， we proposed META-VAEGAN-DNN， a nove

l intrusion detection framework that integrated meta-learning with a variational autoencoder generative adversarial network （VAE-GAN）. A META-VAEGAN-based augmentation model was first developed to alleviate class imbalance， followed by a differentiated sample processing strategy with a progressive quality filtering mechanism designed to enhance the generation of minority-class instances. The augmented data were then classified using a deep neural network （DNN） enhanced with channel attention and multi-layer residual connections. Experiments on the NSL-KDD dataset demonstrate that META-VAEGAN-DNN achieves 89% accuracy， 90%

1-score， and 98% AUC. Notably， the precision and recall of the U2R class reach 98% and 99%， respectively， while those of the R2L class reach 99% and 73%， substantially outperforming conventional methods. These results highlight the effectiveness of META-VAEGAN-DNN in improving the detection of minority attack categories and enhancing overall intrusion detection performance. Supplementary validation on the CIC-IDS-2017 dataset further demonstrates the generalizability of the model.

关键词

Keywords

references

He J X ， Wang X D ， Song Y F ， et al . Network intrusion detection based on conditional Wasserstein variational autoencoder with generative adversarial network and one-dimensional convolutional neural networks ［J］. Applied Intelligence ， 2023 ， 53 （ 10 ）： 12416 - 12436 .

Wang S ， Wang Z L ， Zhou T ， et al . THREATRACE： detecting and tracing host-based threats in node level through provenance graph learning ［J］. IEEE Transactions on Information Forensics and Security ， 2022 ， 17 ： 3972 - 3987 .

闫海涛，张之义，朱晓明，等 . 基于WOA-XGBoost模型的网络入侵检测［J］. 计算机测量与控制， 2023 ， 31 （ 3 ）： 127 - 133 .

Yan Haitao ， Zhang Zhiyi ， Zhu Xiaoming ， et al . Network intrusion detection based on WOA-XGBoost model ［J］. Computer Measurement & Control ， 2023 ， 31 （ 3 ）： 127 - 133 . （in Chinese）

Hamid Y ， Sugumaran M . A t-SNE based non linear dimension reduction for network intrusion detection ［J］. International Journal of Information Technology ， 2020 ， 12 （ 1 ）： 125 - 134 .

刘广睿，张伟哲，李欣洁 . 基于边缘样本的智能网络入侵检测系统数据污染防御方法［J］. 计算机研究与发展， 2022 ， 59 （ 10 ）： 2348 - 2361 .

Liu Guangrui ， Zhang Weizhe ， Li Xinjie . Data contamination defense method for intelligent network intrusion detection systems based on edge examples ［J］. Journal of Computer Research and Development ， 2022 ， 59 （ 10 ）： 2348 - 2361 . （in Chinese）

Liu Z H ， Liu S Q ， Zhang J . An industrial intrusion detection method based on hybrid convolutional neural networks with improved TCN ［J］. Computers ， Materials & Continua， 2024 ， 78 （ 1 ）： 411 - 433 .

Imrana Y ， Xiang Y ， Ali L ， et al . CNN-GRU-FF： a double-layer feature fusion-based network intrusion detection system using convolutional neural network and gated recurrent units ［J］. Complex & Intelligent Systems ， 2024 ， 10 （ 3 ）： 3353 - 3370 .

Chalé M ， Cox B ， Weir J ， et al . Constrained optimization based adversarial example generation for transfer attacks in network intrusion detection systems ［J］. Optimization Letters ， 2024 ， 18 （ 9 ）： 2169 - 2188 .

冯英引，师智斌 . 不平衡数据下基于CNN的网络入侵检测［J］. 中北大学学报（自然科学版）， 2021 ， 42 （ 4 ）： 318 - 324 .

Feng Yingyin ， Shi Zhibin . Network intrusion detection based on CNN on unbalanced data ［J］. Journal of North University of China（Natural Science Edition）， 2021 ， 42 （ 4 ）： 318 - 324 . （in Chinese）

王华忠，田子蕾 . 基于改进CGAN算法的工控系统入侵检测方法［J］. 信息网络安全， 2023 ， 23 （ 1 ）： 36 - 43 .

Wang Huazhong ， Tian Zilei . Intrusion detection method of ICS based on improved CGAN algorithm ［J］. Netinfo Security ， 2023 ， 23 （ 1 ）： 36 - 43 . （in Chinese）

Yang Y ， Liu X Y ， Wang D L ， et al . A CE-GAN based approach to address data imbalance in network intrusion detection systems ［J］. Scientific Reports ， 2025 ， 15 ： 7916 .

Kang F Y ， Feng T ， Lin J Q . VAE-GAN-guided cross-class generation： a class imbalance data augmentation method for network intrusion detection ［J］. Electronics ， 2025 ， 14 （ 11 ）： 2103 .

Yuan L X ， Yu S Y ， Yang Z B ， et al . A data balancing approach based on generative adversarial network ［J］. Future Generation Computer Systems ， 2023 ， 141 ： 768 - 776 .

Kingma D P ， Welling M . Auto-encoding variational bayes ［PP/OL］. Vl.arXiv （ 2013-12-20 ）［ 2025-09-05 ］. https：//arxiv.org/pdf/1312.6114v1 https://arxiv.org/pdf/1312.6114v1 .

Yang A ， Lu C ， Li J ， et al . Application of meta-learning in cyberspace security： a survey ［J］. Digital Communications and Networks ， 2023 ， 9 （ 1 ）： 67 - 78 .

Habeck M ， Hasenpflug M ， Kodgirwar S ， et al . Geodesic slice sampling on the sphere ［PP/OL］. Vl.arXiv （ 2023-01-19 ）［ 2025-09-05 ］. https：//arxiv.org/abs/2301.08056 https://arxiv.org/abs/2301.08056 .

Cholakoska A ， Shushlevska M ， Todorov Z ， et al . Analysis of machine learning classification techniques for anomaly detection with NSL-KDD data set ［M］// Data Science and Intelligent Systems . Cham ： Springer International Publishing ， 2021 ： 258 - 267 .

Sharafaldin I ， Lashkari A H ， Ghorbani A A . Toward generating a new intrusion detection dataset and intrusion traffic characterization ［C］// Proceedings of the 4th International Conference on Information Systems Security and Privacy ， 2018 ： 108 - 116 .

Tavallaee M ， Bagheri E ， Lu W ， et al . A detailed analysis of the KDD CUP 99 data set ［C］// IEEE Symposium on Computational Intelligence for Security & Defense Applications ， 2009 ： 1 - 6 .

Abdelkhalek A ， Mashaly M . Addressing the class imbalance problem in network intrusion detection systems using data resampling and deep learning ［J］. The Journal of Supercomputing ， 2023 ， 79 （ 10 ）： 10611 - 10644 .

Shanmugam V ， Razavi-Far R ， Hallaji E . Addressing class imbalance in intrusion detection： A comprehensive evaluation of machine learning approaches ［J］. Electronics ， 2024 ， 14 （ 1 ）： 69 .

余长宏，许孔豪，张泽，等 . 基于分割点改进孤立森林的网络入侵检测方法［J］. 计算机工程， 2024 ， 50 （ 6 ）： 148 - 156 .

Yu Changhong ， Xu Konghao ， Zhang Ze ， et al . Improving network intrusion detection methods in isolated forests based on split points ［J］. Computer Engineering ， 2024 ， 50 （ 6 ）： 148 - 156 . （in Chinese）

Díaz-Coto S ， Corral-Blanco N O ， Martínez-Camblor P . Two-stage receiver operating-characteristic curve estimator for cohort studies ［J］. The International Journal of Biostatistics ， 2021 ， 17 （ 1 ）： 117 - 137 .

Huang H Y ， Wang Y F ， Rudin C ， et al . Towards a comprehensive evaluation of dimension reduction methods for transcriptomic data visualization ［J］. Communications Biology ， 2022 ， 5 （ 1 ）： 719 .

Wongvorachan T ， He S ， Bulut O . A comparison of undersampling， oversampling， and smote methods for dealing with imbalanced classification in educational data mining ［J］. Information ， 2023 ， 14 （ 1 ）： 54 .

Mirza M ， Osindero S . Conditional generative adversarial nets ［J］. Computer Science ， 2014 ： 2672 - 2680 .

Johnson J M ， Khoshgoftaar T M . Survey on deep learning with class imbalance ［J］. Journal of Big Data ， 2019 ， 6 （ 1 ）： 27 .

He H ， Bai Y ， Garcia E A ， et al . ADASYN： adaptive synthetic sampling approach for imbalanced learning ［C］// 2008 IEEE International Joint Conference on Neural Networks （IEEE World Congress on Computational Intelligence）， 2008 ： 1322 - 1328 .

倪志伟 . 基于数据生成与特征降维的网络入侵检测研究［D］. 南京：南京信息工程大学， 2025 .

黄迎春，邢秀祺 . 融合CNN-GRU和Transformer的网络入侵检测方法［J］. 火力与指挥控制， 2025 ， 50 （ 6 ）： 21 - 27 .

Huang Yingchun ， Xing Xiuqi . Networkintrusion detection method based on fusion of CNN-GRU and transformer ［J］. Fire Control and Command Control ， 2025 ， 50 （ 6 ）： 21 - 27 . （in Chinese）

魏明军，闫旭文，纪占林，等 . 基于CNN与LightGBM的入侵检测研究［J］. 郑州大学学报（理学版）， 2023 ， 55 （ 6 ）： 35 - 40 .

Wei Mingjun ， Yan Xuwen ， Ji Zhanlin ， et al . Research on intrusion detection based on CNN and LightGBM ［J］. Journal of Zhengzhou University （Natural Science Edition）， 2023 ， 55 （ 6 ）： 35 - 40 . （in Chinese）

贺佳星，王晓丹，宋亚飞，等 . CWGAN-DNN：一种条件Wasserstein生成对抗网络入侵检测方法［J］. 空军工程大学学报（自然科学版）， 2021 ， 22 （ 5 ）： 67 - 74 .

He Jiaxing ， Wang Xiaodan ， Song Yafei ， et al . CWGAN-DNN： An intrusion detection method based on conditional wasserstein generative adversarial network ［J］. Journal of Air Force Engineering University （Natural Science Edition）， 2021 ， 22 （ 5 ）： 67 - 74 . （in Chinese）

Li H T ， Wang R M ， Dong W Y ， et al . Semi-supervised network traffic anomaly detection method based on GRU ［J］. Computer Science ， 2023 ， 50 （ 3 ）： 380 - 390 .

Caville E ， Lo W W ， Layeghy S ， et al . Anomal-E： a self-supervised network intrusion detection system based on graph neural networks ［J］. Knowledge-Based Systems ， 2022 ， 258 ： 110030 .

李聪聪，袁子龙，滕桂法 . 基于深度学习的时空特征融合网络入侵检测模型研究［J］. 信息安全研究， 2025 ， 11 （ 2 ）： 122 - 129 .

Li Congcong ， Yuan Zilong ， Teng Guifa . Research on deep learning-based spatio-temporal feature fusion network intrusion detection model ［J］. Journal of Information Security Research ， 2025 ， 11 （ 2 ）： 122 - 129 . （in Chinese）

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于递归图和MobileViT⁃AESTF的网络入侵检测模型

基于GADF与MobileViT⁃RMF的网络入侵检测模型

基于图神经网络的物联网入侵检测研究

基于可重构创新散件的并联机器人实验平台设计

鱼类自主游动时摆频与摆幅的最优组合研究