神经形态网络安全与半监督终身学习.pdfVIP

神经形态网络安全与半监督终身学习

MdZesunAhmedMiaMalyabanBalSenLu

SchoolofEECSSchoolofEECSDept.ofEECS

ThePennsylvaniaStateUniversityThePennsylvaniaStateUniversityUniversityofMichigan

UniversityPark,PA,USAUniversityPark,PA,USAAnnArbor,MI,USA

zesun.ahmed@mjb7906@senlu@

GeorgeM.Nishibuchi

QuantumVentura,Inc.

SanJose,CA,USA

max@

SuhasChelianSriniVasan

本UniversityofTexasatArlingtonResearchInstituteQuantumVentura,Inc.

译FortWorth,TX,USASanJose,CA,USA

中suhas.chelian@srini@

2AbhronilSengupta

vSchoolofEECS

0

1ThePennsylvaniaStateUniversity

6

4UniversityPark,PA,USA

0sengupta@

.

8

0

5摘要—受大脑分层处理和能量效率的启发，本文提出了一种ETWORK入侵检测系统（NIDS）在可扩展性

2

:用于终身网络入侵检测系统（NIDS）的脉冲神经网络（SNN）架N和能源效率方面面临重大挑战，尤其是在高吞

v

i构。该系统首先采用高效的静态SNN来识别潜在的入侵行为，吐量环境中。网络攻击的本质——通常是连续时间数据

x然后激活一个自适应动态SNN负责对特定攻击类型进行分类。

r流中的稀疏事件——使得SNN成为一种有吸引力的、

a模仿生物适应性，动态分类器利用了受“按需生长”(GWR)启

发的结构可塑性和一种新颖的适应性尖峰时序依赖可塑性（Ad-生物启发的替代方案[1]来应对这种应用驱动程序。由

STDP）学习规则。这些生物合理性机制使网络能够逐步学习新于其事件驱动和稀疏计算特性，SNN在节能和实时处理

的威胁，同时保留现有的知识。在持续学习设置下的UNSW-方面具有潜力。此外，现实世界的网络安全场景通常缺

NB15基准测试中，该架构展示了强大的自适应能力、减少了灾乏全面标注的数据，需要无监督或半监督的学习方法。

难性的遗忘，并实现了%的整体准确率。此外，在使用Intel虽然基于突触时态依赖可塑性（STDP）是SNN中常见

Lava框架进行的模拟中确认了高操作稀疏性，突显了其在神经

的无监督学习规则，但在复杂分类任务[2]中其性能可

形态硬件上低功耗部署的潜力。

IndexTerms—脉冲神经网络（SNN），终身学习，分层能受限。为了提高用于NIDS的基于STDP的SNN的

架构有效性和效率，我们探索了一种分层架构受大脑结构组