🔍 耿同学打假报告

论文信息

标题：基于注意力机制的残差网络入侵检测技术
作者：荆韬
期刊/来源：西京学院硕士学位论文（专业学位硕士论文）
DOI：无（学位论文）
发表年份：2025年9月（预期答辩时间）

综合评定：🟠 高度可疑

详细发现

发现 1：核心实验结果数据前后矛盾，评价指标疑似随意编造

位置：3.4.2 节（图 3.6 及其下方的文字描述）/ 4.4.2 节（图 4.5 及其下方文字描述）
描述：作者在描述混淆矩阵时，给出的原始数据四则运算结果与随后声称的评价指标之间存在严重的、全方位的数学冲突，且同一段落内对同一指标的描述甚至都在打架。
证据：
1. 第三章 NIDS-ResAtt 数据冲突：正文称“正常流量正确识别 10,506 条，误判 704 条；攻击流量正确识别 10,664 条，误判 670 条”。根据这组数据计算，Normal类的召回率应为 10506/(10506+670) = 94.0%（按照混淆矩阵定义），但正文下一句直接声称“Normal 类的召回率约为 98.3%”。紧接着在3.4.2节末尾，作者又改口称“Attack 类召回率 94.7%，Precision 93.2%；Normal 类 Precision 94.8%”，这套数字与前面的混淆矩阵及中间的描述依然完全对不上。
2. 第四章 NIDS-ResAEAtt 数据冲突：正文称“正常流量正确 11,109 条，误判 164 条；攻击流量正确 11,103 条，误判 168 条”。计算可知 Normal 类的精确率应为 11109/(11109+164) ≈ 98.54%，但作者声称“精确率约为 98.6%”，在此类精密计算中表现出随意的凑数倾向。
严重程度：🔴
复核状态：✅ 成立

发现 2：图题与正文模型名称严重错乱（涉嫌直接复制粘贴图片）

位置：第四章 4.4.2 节（图 4.5）
描述：第四章明明提出的是改进模型“NIDS-ResAEAtt”，但在插入混淆矩阵时，图题竟然写的是“图 4.5 基于二分类场景NIDS-ResAtt的混淆矩阵”（沿用了第三章旧模型的名字）。
证据：不仅图题写错，正文的引用也发生了混乱，该段开头写道“图 4.6 的混淆矩阵揭示了 NIDS-ResAEAtt 模型...”，但实际上该图标号是 4.5。这表明作者极大概率是直接复制了第三章的配图模板，改了几个混淆矩阵里的数字，连图题和正文引用都没检查，属于极度过敷衍的“灌水”行为。
严重程度：🟠
复核状态：✅ 成立

发现 3：违背基本数学常识的“神话”损失曲线

位置：4.4.2 节（图 4.7 训练损失分析）
描述：作者在描述模型训练损失时，声称融合数据集的模型训练损失在第 50 个 epoch 时“趋近于 0”。
证据：根据作者自己提供的混淆矩阵，测试集中有多达 332 条样本（164+168）被错分。既然存在大量的错分样本，且损失函数使用的是加权交叉熵，其最终的交叉熵损失绝对不可能趋近于 0。真实情况下的交叉熵损失必然是一个大于 0 的显著值（即便后文强行圆回 0.010，文本中“趋近于0”的表述也严重违背深度学习训练常识）。作者宣称损失趋近于 0，说明其训练图表极有可能是随意编造或手绘生成的，完全脱离了真实的训练日志。
严重程度：🟠
复核状态：✅ 成立

发现 4：全篇大规模低级复制拼接

位置：第三章 3.3.2 节 vs 第四章 4.3.2 节
描述：第四章的“数据采集”与“数据处理”部分，与第三章的对应部分一字不差。
证据：3.3.2节和4.3.2节关于数据采集处理的文字（从“训练与测试样本同时取自 KDDCup99...”一直到“计算图全程在 CUDA 上运行，避免 CPU-GPU 拷贝开销”）完全重合。甚至第三章 3.3.2 节结尾出现了“防止过拟合与额外计算开销。。”的双句号低级语病，而第四章在复制粘贴时依然带着这个错误（后文虽改为了单句号，但文字依然高度重合）。这种连文字都不愿润色的复制粘贴，反映了极差的学术态度。
严重程度：🟡
复核状态：✅ 成立

耿同学辣评

这篇论文把AI玩明白了——不是人工智能，而是**“Algorithmic Illusion”（算法幻觉）**。混淆矩阵的数字是随心所欲填的，评价指标是闭着眼睛编的，连模型名字都能在图标题里“精神分裂”。深度学习的代码可能没跑通，但Ctrl+C和Ctrl+V的快捷键肯定按冒烟了。连交叉熵存在错分样本就不可能为0的常识都不管，这哪是残差网络，这是“造假网络”啊！

建议后续行动

联系作者要求提供原始数据（包括原始的训练日志 log.txt、混淆矩阵生成脚本以及源代码）
在学校学位论文盲审/抽查系统中提出质疑
强烈建议西京学院研究生处及计算机学院学位评定委员会对其进行学术不端调查
要求作者当面复现其宣称的 98.53% 的准确率

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。

基于注意力机制的残差网络入侵检测技术