网络异常检测的鲁棒 PCA
本文研究基于 1D 卷积和自编码器的简单轻量级神经网络攻击检测方法,将此方法应用于时间和频率域,评估结果表明,该方法能够匹配或超过先前的检测结果,同时具有小的足迹、短的训练和检测时间及普适性。此外,本文研究了所提方法对敌对攻击的鲁棒性,结果发现所提方法对敌对攻击具有强鲁棒性,可以受到更多信任。
Jul, 2019
本文研究了随机投影在主成分分析及子空间检测方法中的应用,结果表明,当数据具有良好压缩的协方差时,随机投影数据的异常检测算法的表现与原始数据的异常检测算法的表现相当。
Sep, 2011
利用数据深度作为评分的一种新的统计工具,名为异常分量分析 (ACA),用于探索性分析异常观测。ACA 不仅可以更好地区分异常群组,而且还能为异常提供可解释性的线性低维数据表示。在比较模拟和真实数据研究中,ACA 相对于现有文献中的方法在异常分析方面也表现出优势。
Dec, 2023
本文介绍了过去十年来有关 RPCA 和其动态对应物(鲁棒子空间跟踪)的大量文献,讨论了它们的理论保证和性能表现,并提供了性能和速度的实证比较;同时还简要讨论了低秩矩阵完成问题,它是 RPCA 的一个简化特例。
Mar, 2018
使用基于人工智能的自主端到端安全设计方法,通过检测网络流量异常,解决 5G 网络上物理设备的安全问题。本研究使用最近发布的 5G 流量数据集 5G-NIDD,并通过机器学习和深度学习方法来检测网络流量异常。通过可视化技术、数据降维、解决类别不平衡问题以及分类器的评估,我们得到了最佳结果,使用 K 最近邻分类器时准确率达到 97.2%,检测率为 96.7%,误报率为 2.2%。
Dec, 2023
通过对传统技术进行优化,我们实现了无监督主成分分析(PCA)技术的优化,通过轻量级的基于语义的日志表示解决了训练数据中未知日志事件的问题,提高了日志表示的效果,我们的研究比较了公共和工业数据集上的七种基于日志的异常检测方法,包括四种 DL-based 方法、两种传统方法和优化的 PCA 技术,结果表明,优化的无监督 PCA 技术在有限的训练数据和资源效率方面达到了与先进的监督 / 半监督 DL 方法相似的效果,从而证明了传统技术通过小而重要的改进具有的适应性和优势。
Aug, 2023