Lấy cảm hứng từ quá trình xử lý phân cấp và hiệu quả năng lượng của não bộ, bài báo này trình bày một kiến trúc mạng nơ-ron tăng đột biến (SNN) cho hệ thống phát hiện xâm nhập mạng (NIDS) trọn đời. Hệ thống được đề xuất trước tiên sử dụng một SNN tĩnh hiệu quả để xác định các xâm nhập tiềm ẩn, sau đó kích hoạt một SNN động thích ứng để phân loại các loại tấn công cụ thể. Mô phỏng sự thích nghi sinh học, bộ phân loại động tận dụng tính dẻo cấu trúc lấy cảm hứng từ Grow When Required (GWR) và một quy tắc học tập dẻo phụ thuộc thời gian tăng đột biến thích ứng (Ad-STDP) mới. Các cơ chế hợp lý về mặt sinh học này cho phép mạng học dần dần về các mối đe dọa mới trong khi vẫn giữ nguyên kiến thức trước đó. Việc thử nghiệm bằng chuẩn UNSW-NB15 trong môi trường học tập liên tục cho thấy khả năng thích ứng mạnh mẽ, giảm tình trạng quên nghiêm trọng và độ chính xác tổng thể là 85,3%. Hơn nữa, các mô phỏng sử dụng khuôn khổ Intel Lava cho thấy độ thưa thớt hoạt động cao, làm nổi bật tiềm năng triển khai công suất thấp trên phần cứng hình thái thần kinh.
