南京邮电大学学报(自然科学版)

作者：汪溢镭,韩嘉佳,孙歆,汪自翔,戴桦,刘恒旺

单位：浙江省电力科学研究院，浙江 杭州 310027浙江省电力科学研究院，浙江 杭州 310027浙江省电力科学研究院，浙江 杭州 310027浙江省电力科学研究院，浙江 杭州 310027浙江省电力科学研究院，浙江 杭州 310027安徽继远检验检测技术有限公司，安徽 合肥 242000

关键词：电力物联网；蜜罐；蜜网；小样本学习；入侵检测；模型剪枝

基金：国家电网公司科技项目（5700?202319297A?1?1?ZN）资助项目

为了提高蜜罐的使用效率，动态蜜网采用重定向技术将高风险的流量引导至合适的蜜罐，而入侵检测系统（Intrusion Detection System，IDS）则是重定向技术的关键前提条件。然而，由于电力物联网中攻击事件稀缺、训练样本不足，导致基于人工智能的IDS在样本有限的情况下分类效果不佳。更重要的是，传统蜜网消耗大量计算资源，不适合部署在电力物联网中的弱计算环境。针对这些挑战，文中提出了一种名为 MulFSL 的自适应多模态小样本学习技术用于轻量级蜜网入侵检测系统。该系统将加密的流量载荷生成文本模态，提取流的统计特征生成结构化数据模态，形成小样本学习数据集，并将数据集切分为支撑集和查询集。MulFSL通过训练嵌入函数，将查询集中的数据投影到同类样本距离较近的空间，作为不同攻击类型的原型，然后通过计算样本与原型之间的距离进行分类。此外，系统根据可用资源自适应调整卷积编码器的大小，减少边缘设备的资源消耗。该入侵检测系统在自建数据集上得到验证，并与XGBoost、随机森林、决策树和高斯朴素贝叶斯等模型进行了比较，结果显示MulFSL的性能最为出色。

来源：2025年第04期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2025年第04期