Краткое содержание

arXiv:2511.07793v1 Тип объявления: кросс Аннотация: Обеспечение безопасности сетей Edge-of-Things (EoT), поддерживаемых технологией Dew, против сложных вторжений является критически важной задачей. В данной статье представлен фреймворк HybridGuard, который интегрирует машинное обучение и глубокое обучение для повышения эффективности обнаружения вторжений. HybridGuard решает проблему дисбаланса данных через отбор признаков на основе взаимной информации, обеспечивая использование наиболее релевантных признаков для улучшения производительности детектирования, особенно для классов атак, представленных малыми выборками. Фреймворк применяет Wasserstein Conditional Generative Adversarial Network c градиентным штрафом (WCGAN-GP) для дальнейшего снижения дисбаланса классов и повышения точности детектирования. Используется двухфазная архитектура под названием DualNetShield для поддержки продвинутого анализа трафика и выявления аномалий, улучшая детализированную идентификацию угроз в сложных средах EoT. Эффективность HybridGuard проверена на наборах данных UNSW-NB15, CIC-IDS-2017 и IOTID20, демонстрируя высокую производительность во всех тестовых сценариях.