本文针对网络入侵检测中标签噪声问题展开研究。标签噪声会导致模型错误分类和检测精度下降，现有去噪方法往往缺乏对网络流量的深层理解，盲目重构标签分布以过滤含噪样本，因而性能次优。作者从因果关联视角揭示了噪声标签对入侵检测模型的影响机制，指出性能退化源于网络流量中跨类别的局部特征一致性。基于此，提出了协作式标签去噪框架 CoLD。CoLD 首先将原始特征集划分为多个子集，并采用局部联合学习来破坏局部一致性，迫使编码器学习细粒度且鲁棒的表征；随后通过因果协作去噪机制，分析多个表征与其潜在真实标签之间的因果差异，检测并过滤噪声标签，从而得到净化数据集，用于训练抗噪分类器。在多个基准数据集上的实验表明，CoLD 能有效提升分类性能和标签噪声鲁棒性，展示了其在噪声环境下增强网络入侵检测系统的潜力。本文核心贡献包括：首次从因果关联角度解释噪声标签影响机制，提出结合局部联合学习和因果协作去噪的通用框架，并在公开数据集上验证有效性。适合入侵检测系统研发人员、机器学习鲁棒性研究者以及关注数据质量的安全分析人员阅读。