基于深度学习的5G网络入侵检测系统研究

摘要

目的：探讨5G网络在工业互联网与远程医疗等行业的应用场景，因架构复杂、终端多样、业务开放面临的
架构、终端接入、数据传输、业务应用四类安全威胁，以及传统入侵检测方法（特征码检测、异常行为检测、协议
分析）存在检测准确率低、实时性差、泛化能力弱的问题，构建响应5G网络安全挑战的入侵检测体系。方法：深入
审视5G网络技术的特性及其潜在的安全挑战，指明传统方法的局限；再构建含数据采集、预处理、特征提取、深度
学习检测、响应处置的系统架构，采用CNN-LSTM-AE模型实现多特征的整合，结合HDFS分布式存储、Spark分
布式计算及数据采样等实时性优化技术提升性能；对UNSW-NB15和CSE-CIC-IDS2018数据集进行分析，从准确
率、实时性、泛化能力维度与传统及单一深度学习模型对比。结果：该系统在UNSW-NB15数据集准确率达98.2%，
CSE-CIC-IDS2018数据集达97.5%；该检测的平均时延值介于0.8到1.2毫秒，跨数据集准确率下降仅1.8-2.3个百分
点，整体表现略胜一筹于对比模型。结论：该系统在5G网络安全威胁面前展现强大应对力，为5G网络安全稳定运
行提供技术支撑。