MMDec, 2017

基于深度置信网络的风险主机检测机器学习系统

PDF
TL;DR该研究聚焦于风险检测，提出一种智能的深度置信网络机器学习系统，利用文本挖掘和基于图的方法生成目标和创建机器学习的特征，旨在降低假警报率，实验结果表明该系统比其他算法表现更好。
cyber securitysiemdeep belief networkmachine learningfalse positive rate
发现论文，激发创造
  • 学习网络入侵检测：一种数据驱动的方法

    本文通过采用不同的基于学习的模型来检测网络攻击，演示了无监督表示学习模型在二进制入侵检测任务中的优势，并使用 SVM-SMOTE 过采样技术缓解了 4 类分类中的数据不平衡问题，并进一步展示了过采样机制的有效性及其深入神经网络基础模型的缺陷。

    Aug, 2021

  • 基于机器学习的网络入侵检测在大规模和不平衡数据上的应用：过采样、堆叠特征嵌入和特征提取

    我们介绍了一种基于机器学习的网络入侵检测模型，使用随机过采样处理数据不平衡并基于聚类结果进行堆叠特征嵌入，以及使用主成分分析进行维度约简，特别适用于大规模和不平衡的数据集，并在三个现阶段的基准数据集：UNSW-NB15、CIC-IDS-2017 和 CIC-IDS-2018 上进行了评估，结果表明该模型的性能持续优于现有技术，证明了该方法在网络入侵检测领域的重要进展和有效性。

    Jan, 2024

  • 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

  • 一种使用深度学习进行 SDN 网络入侵检测的新方法：未来方法

    该研究探讨了如何在软件定义网络（SDN）的背景下，使用网络入侵检测系统和深度学习算法进行攻击检测和提高网络安全性能。结果表明，该方法通过结合多种深度学习算法，成功地进行了二分类任务，并取得了显著的检测成果。

    Aug, 2022

  • 基于深度学习的结构化网络安全数据流非监督式内部威胁检测

    提出了一种基于无监督深度学习的在线异常检测方法，通过分解异常得分，帮助分析员识别潜在的内部威胁活动，实现了减轻分析员负担的目标。在 CERT Insider Threat Dataset v6.2 上的表现证明，该方法可以显著提高威胁检测的召回率。

    Oct, 2017

  • 深度学习在金融领域提升网络安全弹性与高级威胁检测

    本研究使用深度学习进行高级威胁检测，提高金融行业的网络安全性，并且聚焦异常入侵检测技术的研究。

    Feb, 2024

  • 基于深度增强型 CNN 和集成学习的物联网恶意软件检测

    提出 Deep Squeezed-Boosted and Ensemble Learning (DSBEL) 恶意软件检测框架，利用 novel Squeezed-Boosted Boundary-Region Split-Transform-Merge（SB-BR-STM）CNN 和 Ensemble Learning 实现多样特征图和恶意全局和本地模式的精确捕捉，并使用 SVM、MLP 和 AdabooSTM1 等集成分类器进行改进，与 IOT_Malware 数据集的评估结果显示该框架具有较高准确率、F1 值、MCC、召回率和精度，有望成为未来的检测恶意活动的有效方法。

    Dec, 2022

  • 一种用于入侵检测的混合深度学习异常检测框架

    本论文提出了一个基于深度学习异常检测的网络入侵攻击检测框架，该框架结合了无监督、半监督和监督学习算法，同时在 NSL-KDD、CIC-IDS2018 和 TON_IoT 等三个基准数据集上验证了其性能。

    Dec, 2022

  • 预测网络监控 -- 利用机器学习和数据分析进行网络攻击的推测研究

    利用机器学习和数据挖掘技术增强网络安全，本文提出了一种新的技术，基于多个数据参数预测网络中即将发生的攻击，通过测试阶段的结果选择最佳模型，并提取可能导致攻击的事件类别。

    Dec, 2023

  • 入侵检测：深度学习方法

    本研究提出了一种新的深度学习方法来检测网络入侵，运用了卷积神经网络 (CNN) 模块、长短时记忆 (LSTM) 模块和支持向量机 (SVM) 分类器，结果表明与传统机器学习方法和其他深度学习方法相比，这种方法更加有效。

    Jun, 2023