CONTRASTIVE-KAN：一种用于稀缺标记数据的网络安全半监督入侵检测框架

研究背景与挑战​

1. ​工业环境需求​：

   • 第四次工业革命中，物联网（IoT）和工业物联网（IIoT）的普及使网络安全成为关键挑战。
   • 入侵检测系统需实时性高，尤其对关键基础设施（如燃气管道）的快速攻击检测至关重要。

2. ​核心问题​：

   • ​标签数据稀缺​：工业系统多数时间处于正常状态，攻击样本稀少且标注成本高。
   • ​数据不平衡​：攻击与正常样本分布高度不均衡（如BoT-IoT数据集中攻击样本占比超99%）。
   • ​传统方法局限​：
     • 监督学习需大量标签数据，深度学习方法计算资源消耗大。
     • 过采样技术（如SMOTE、GAN）在高度不平衡数据上性能退化，且可能模糊类别边界。

---

​提出的解决方案：Contrastive-KAN框架​

​1. 核心创新​

• ​半监督对比学习​：
  • 利用大量未标记数据预训练特征提取器，仅需少量标记数据微调。
  • 采用掩蔽增强策略​