Feb, 2010

在线质心异常检测的安全性分析

PDF
TL;DR本文讨论机器学习中的安全问题，侧重于人类活动而不是自然现象中的一些应用，例如信息排序、垃圾邮件检测和恶意软件检测。对于这种情况，训练算法必须处理旨在阻碍决策制定的操纵数据。本文通过分析在线重心异常检测方法的性能，评估了在对抗噪声条件下它的防御能力，并提供了理论边界和实际的保护机制。
machine learningsecurityanomaly detectionadversarial noisepoisoning attack
发现论文，激发创造
  • 通过异常检测在污染攻击中检测对抗训练样例

    本文提出一种防御机制来弥补机器学习中数据毒化的影响，该机制基于离群值检测来检测所谓的最优攻击策略生成的对抗样本与真实样本之间的差异。

    Feb, 2018

  • 对抗性环境下数据聚类是否安全？

    本论文介绍了攻击聚类算法的潜在风险以及如何评估攻击的影响，提出了一般性框架，重点研究了单链接分层聚类。

    Nov, 2018

  • 利用机器学习算法进行贝叶斯优化以实现异常检测

    该研究提出了使用贝叶斯优化技术来调节支持向量机、随机森林和 k - 最近邻算法参数的异常检测框架，并使用 ISCX 2012 数据集评估了这些算法的性能，结果显示该框架在准确率、精度、误报率和召回率方面具有显著效果。

    Aug, 2020

  • 使用优化的无监督异常检测的多维内容交付网络安全框架

    提出了一种利用多角度无监督学习框架实现 CDN 异常检测的方法，该方法通过多方面特征工程、优化的无监督异常检测模型以及多方面验证方法，主要从客户端 IP 和节点视角检测 CDN 中的异常行为，从而识别拒绝服务和缓存污染攻击模式。该方法通过对现实世界 CDN 日志数据的分析得出实验结果，能够有效地识别出异常内容、受损节点、恶意 IP 及其相应的攻击类型，并得到多位网络安全专家的验证。这表明该方法在应用于真实世界 CDN 数据时是有效的。

    Jul, 2021

  • 污染数据异常检测的潜在异常暴露

    本研究提出一种在未标记异常情况下训练异常检测器的策略，通过联合推断二进制标签（正常 vs. 异常）并更新模型参数来使用两个损失的组合，表现出比基准测试更显著的改进。

    Feb, 2022

  • 对聚类算法的无疑惑对抗性攻击

    本研究提出了一种黑盒对于线性可分聚类模型的对抗攻击方法，在不知道真实度量的情况下生成溢出性对抗样本，攻击强度高且难以被检测，被证明能够成功攻击多种数据集与聚类算法。

    Nov, 2019

  • 异常检测问题的元分析

    本文使用元分析研究异常检测问题和方法，提供了大量异常检测基准数据和实验结果，分析了实验设计、指标和算法策略的影响，为异常检测问题提供了本体、方法、实验规范和未来研究的指导。

    Mar, 2015

  • 受对抗标签污染影响的支持向量机

    本文针对使用支持向量机（SVM）进行垃圾邮件和恶意软件检测等安全相关任务时存在的安全问题进行了探究，特别是研究了 SVM 对面向标签噪声攻击的安全性，并通过启发式方法解决了攻击策略的最优化问题，并在合成和实际数据集上进行了广泛的实验分析。最后，本文还指出，这种方法也可以为开发更安全的 SVM 学习算法以及半监督和主动学习等相关研究领域提供有用的见解。

    Jun, 2022

  • Rare Yet Popular: 基于标记数据集的网络异常检测证据和影响

    本文针对网络环境下的异常检测问题，通过系统分析已有的公共和私有基准数据，探索了其时态性、多变量性和空间属性特征，并提出了基于聚类的简化标注方法，实验结果为 2-10 倍。

    Nov, 2022

  • 基于统计学习的云自动异常检测

    研究开发了两种新的统计技术，用于自动检测云基础架构数据中的异常，采用季节性分解和鲁棒统计度量，有效实现在季节性高峰存在的情况下的异常检测。从容量规划，用户行为和监督学习三个方面证明了所提出技术的有效性。

    Apr, 2017