软件学报:jos:7651 · 记录 #1
入侵检测系统对先验知识的依赖及其输入数据中丰富的文本语义使其较为适合在大语言模型中应用, 但大语言模型的算力开销与数据隐私约束使其难以直接落地, 与此同时小模型虽便于部署但性能受限. 鉴于此, 提出一种基于数据驱动蒸馏与性能激励的入侵检测迭代模型RADOM, 通过大小模型之间的数据交互实现知识蒸馏, 并以小模型的错误预测作为迭代反馈改进大语言模型的数据生成质量. 同时, 引入特征维度优化机制, 借助大语言模型完成特征筛选与迭代更新, 以进一步提升小模型的分类能力. 在公开数据集与自采数据集上的实验结果表明, RADOM能够有效提升小模型对攻击行为的检测与分类性能, 小模型的准确率由67.30%提高到96.19%, 验证了该方法的有效性.
这些页面提供论文线索，不代表同行评审或质量认证。
此版本尚未生成 AI 解读。解读由后台任务生成并按论文版本保存，登录后共享已有结果。
2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007651
目前只观测到一个版本，无法比较变化。之后收录新版本时，会在这里对照标题、作者、分类和摘要。
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
入侵检测系统对先验知识的依赖及其输入数据中丰富的文本语义使其较为适合在大语言模型中应用, 但大语言模型的算力开销与数据隐私约束使其难以直接落地, 与此同时小模型虽便于部署但性能受限. 鉴于此, 提出一种基于数据驱动蒸馏与性能激励的入侵检测迭代模型RADOM, 通过大小模型之间的数据交互实现知识蒸馏, 并以小模型的错误预测作为迭代反馈改进大语言模型的数据生成质量. 同时, 引入特征维度优化机制, 借助大语言模型完成特征筛选与迭代更新, 以进一步提升小模型的分类能力. 在公开数据集与自采数据集上的实验结果表明, RADOM能够有效提升小模型对攻击行为的检测与分类性能, 小模型的准确率由67.30%提高到96.19%, 验证了该方法的有效性.
查看此版本解读 →查看此版本原文 ↗