基于动态多损失协同优化的网络流量异常检测

摘要

本文提出了一种面向高维且类别不平衡场景下的网络流量异常检测的动态多损失协同优化（DMCO）方法。其核心创新在于利用基于Transformer的编码器提取具有判别性的时空表征，用于异常检测。我们引入了三种协同损失函数：特征相关性损失通过缩放余弦相似度强制特征独立性；重构损失通过自编码机制保留关键模式；分类损失用于处理极端类别不平衡问题。这些损失通过一个元权重控制器进行动态平衡，该控制器可根据实时验证性能自适应地调整损失权重。在NSL-KDD和CIC-IoT2017数据集上的实验结果表明，F1值可达98.52%，假阳性率可低至1.05%，充分证明了该方法在5G-IoT环境下面对概念漂移和对抗性逃避攻击时具有优越的鲁棒性。