研究背景與挑戰?
-
?工業環境需求?：
- 第四次工業革命中，物聯網（IoT）和工業物聯網（IIoT）的普及使網絡安全成為關鍵挑戰。
- 入侵檢測系統需實時性高，尤其對關鍵基礎設施（如燃氣管道）的快速攻擊檢測至關重要。
-
?核心問題?：
- ?標簽數據稀缺?：工業系統多數時間處于正常狀態，攻擊樣本稀少且標注成本高。
- ?數據不平衡?：攻擊與正常樣本分布高度不均衡（如BoT-IoT數據集中攻擊樣本占比超99%）。
- ?傳統方法局限?：
- 監督學習需大量標簽數據，深度學習方法計算資源消耗大。
- 過采樣技術（如SMOTE、GAN）在高度不平衡數據上性能退化，且可能模糊類別邊界。
?提出的解決方案：Contrastive-KAN框架?
?1. 核心創新?
- ?半監督對比學習?：
- 利用大量未標記數據預訓練特征提取器，僅需少量標記數據微調。
- 采用掩蔽增強策略?
-組件)
