一种基于元学习的网络入侵模型的构建方法

本发明提供了一种基于元学习的网络入侵模型的构建方法，包括：全局服务器基于联邦学习框架构建多个客户节点，并在每个客户节点内构建节点检测模型；客户节点以固定的时间间隔采集本地多元异构数据，使用GAN网络生成模拟攻击样本，然后将模拟攻击样本和正常样本组成训练数据；使用训练数据对节点检测模型进行迭代训练；使用无关元算法对训练之后的节点检测模型进行元优化；全局服务器为每个客户节点动态分配聚合权重，通过加权平均的方式进行模型聚合，生成全局检测模型。本发明解决了现有技术中存在的模型训练样本的类别不平衡，导致对检测模型对少数类攻击的检测能力不足以及难以快速适应新出现的新型网络攻击的问题。