学位论文简介
Web应用、云计算及物联网的快速发展，扩大了网络攻击平面，催生了复杂多阶段威胁，现有检测方案难以满足准确、稳定、可解释及轻量化部署需求。针对此问题，本论文提出统一深度学习框架，融合多种优化技术，覆盖攻击全生命周期，取得以下主要创新性研究成果：
提出双阶段哈密顿神经网络，引入哈密顿动力学缓解梯度不稳定，通过双阶段验证降低误报率，可处理混淆攻击载荷，在基准数据集上检测准确率达99.89%，优于各类基线模型。
将DBO算法嵌入深度学习流程，筛选高判别力特征子集，降低计算开销与特征维度，提升模型收敛速度和稳定性，支撑高检测准确率实现。
提出可解释优先的集成学习框架，基于大规模真实数据集，检测准确率超97%，融合SHAP和LIME技术提供全局与局部解释，提升分析师信任度与审计可行性。
设计CNN-LSTM混合时空架构，适配物联网环境，捕捉局部数据包特征及时序依赖，在NB-IoT数据集上准确率约94.7%，性能优于单一模型，且符合资源受限需求。
构建集成跨域深度学习框架，整合多领域检测任务，实现威胁情报共享与协同更新，提升多阶段攻击检测能力，各领域检测准确率均表现优异，构建了稳健的跨域防御解决方案。
主要学术成果
Deep Learning-Based Vulnerability Detection for Web Application Security: A Dual-Stage Hamiltonian Neural Network Approach for SQLi and XSS Attacks [C]. International Conference on Intelligent Computing (ICIC), 2025. (CCF C, 第一作者)
Explainable Machine Learning Models for Phishing Website Detection: Enhancing Transparency and Accuracy in Cybersecurity [C]. International Conference on Intelligent Computing (ICIC), 2025. (CCF C, 第一作者)
A novel deep learning technique for protecting web applications against XSS and SQLI attacks [J]. Journal of Information and Optimization Sciences, 2025, 46(6): 1911–1921. (ESCI，第一作者)
Hybrid deep learning-based IoT intrusion detection: A comparative study of CNN, GRU, LSTM, and hybrid architectures [J]. Journal of Information and Optimization Sciences, 2025，46(6), 1983-1994. (ESCI，第一作者)
