一种基于时空融合与类中心优化的原始信息补偿混合学习入侵检测方法及装置

本发明公开了一种基于时空融合与类中心优化的原始信息补偿混合学习入侵检测方法及装置，方法包括：构建判别性时空特征学习模块，通过卷积‑循环双流架构分别提取空间局部模式与时间序列依赖，融合生成高维时空特征；其次设计动态类中心联合优化机制，在特征提取网络训练阶段同步优化交叉熵分类损失与类中心紧致损失，增强同类样本特征聚集性；最后引入原始信息残差补偿机制，将深度网络提取的时空融合特征与原始流量统计特征直接拼接，形成兼具高层语义理解与底层细粒度分辨能力的增强特征，输入分类器实现混合决策。本发明在保留原始判别性细节的同时强化时空模式感知，显著提升复杂网络攻击的检测精度与泛化能力。