可持续发展论坛

基于半监督学习的物联网流量异常检测研究

王 忠贤

郑州科技学院

易 伟

郑州科技学院

DOI: https://doi.org/10.59429/kcxfzlt.v2i4.11964

Keywords: 物联网安全；异常检测；半监督学习；深度自编码器；数据增强

---

Abstract

物联网设备在局域网环境中的广泛部署使其面临严峻的安全挑战。异常流量检测是保障其安全的关键，然而 在实际场景中，异常样本极其稀缺，导致传统监督学习方法因样本不均衡而性能不佳。为解决标记异常样本稀缺的 问题，本文提出了一种基于半监督学习的深度自编码器异常检测模型。该模型通过编码器 - 解码器结构学习正常流 量的潜在特征表示，并利用少量标记样本微调一个集成在编码器后的分类器，形成结合重构误差与分类损失的综合 目标函数。另外还设计了一套针对网络流量数据的增强策略以缓解数据不平衡。

---

References

[1] 张明，李强，王丽. 基于半监督学习的未知异常检测方法 [J]. 计算机研究与发展，2025,62(4):892-905.

[2] 刘畅，陈明 基于深度学习的半监督对抗鲁棒网络入侵检测系统 [J]. 计算机工程与应用，2025,61(8): 12-120.

[3] 赵鑫，李娜，张伟. 基于半监督联邦学习的物联网入侵检测方法 [J]. 电子与信息学报，2024,46(3):987-995.

[4] Morichetta A, Bek Bulatova V, Dustdar S. FLSERENADE: Federated Learning for SEmi-supeRvisEd Network Anomaly DEtection[C]//Proceedings of the 16th International Conference on Pervasive and Embedded Computing and Communication Systems. Vienna: SCITEPRESS, 2023: 45-56.

[5] Chandola V, Banerjee A, Kumar V. Anomaly detection: A survey[J]. ACM Computing Surveys, 2009, 41(3): 1-58.