隨著工業互聯網的快速發展，惡意攻擊日益成為威脅網絡安全的重要因素。近期，《移動通信》雜志2025年第5期刊發了一篇題為《面向工業互聯網的惡意流量智能檢測模型》的研究論文，由何承潤、閆皓楠、侯志青、李超豪、周少鵬、王星和王濱等科研人員共同撰寫。

該研究針對工業互聯網中惡意流量檢測面臨的復雜性和挑戰，提出了一種創新的智能檢測模型。文章指出，工業互聯網中的協議多樣性和流量特征復雜性，以及新型攻擊的隱蔽性，給傳統檢測方法帶來了巨大壓力。為了解決這些問題，研究團隊深入分析了工業互聯網終端流量的多維度特性，并創新性地引入了面向工業互聯網的特征提取模塊和自適應位置嵌入技術。

研究團隊首先對現有惡意流量檢測方案進行了全面回顧，包括基于機器學習的經典檢測方案、新興的檢測方案以及其他特定領域的檢測方案。例如，一些研究通過構建內存圖或使用圖學習方法來檢測未知加密惡意流量，而另一些則利用深度學習技術如LSTM或CNN來提高檢測精度。然而，這些方案在應對工業互聯網復雜多變的流量環境時仍存在一定的局限性。

針對這些問題，研究團隊提出了一種基于Transformer的智能檢測模型。該模型通過時間塊劃分方法結合Transformer的自注意力機制和位置編碼，能夠更有效地捕捉網絡流量時間序列中的長距離依賴關系和位置信息。實驗結果表明，在CICIDS2017和UNSW-NB15兩個數據集上，基于Transformer的模型在準確率、召回率和F1值上均優于LSTM和CNN模型。

研究還探討了不同時間塊長度、數據集差異、模型訓練時間等因素對檢測性能的影響。實驗結果顯示，隨著時間塊長度的增加，模型性能有所提升，但過長的時間塊可能引入過多無關信息。同時，Transformer模型在不同規模的數據集上均表現出較強的適應性，尤其是在大規模數據集上性能提升更為顯著。

該研究還關注了模型在類別不平衡數據集和不同噪聲水平下的表現。實驗結果表明，Transformer模型在不平衡數據集下依然能保持相對較好的性能，且對噪聲的魯棒性更強。Transformer模型對不同長度的攻擊流量也表現出了較強的檢測能力。

該研究不僅為工業互聯網惡意流量檢測提供了一種新的解決方案，也為相關領域的研究提供了有益的參考。隨著工業互聯網的不斷發展，惡意流量檢測技術的持續創新將對于保障網絡安全具有重要意義。