GEE: 一种基于梯度的可解释性变分自编码器用于网络异常检测

MMMar, 2019

GEE: 一种基于梯度的可解释性变分自编码器用于网络异常检测

GEE: A Gradient-based Explainable Variational Autoencoder for Network Anomaly Detection

Quoc Phong Nguyen, Kar Wai Lim, Dinil Mon Divakaran, Kian Hsiang Low, Mun Choon Chan

TL;DR本文提出了一个名为 GEE 的框架，通过使用基于变分自编码器（VAE）的无监督深度学习技术和基于梯度的指纹技术来检测和解释网络流量中的异常，从而解决了传统监督式异常检测方法需要大量标记数据训练的限制和难以检测零日攻击的问题。实验结果表明了该方法的有效性。

Abstract

This paper looks into the problem of detecting network anomalies by analyzing netflow records. While many previous works have used statistical models and machine learning techniques in a supervised way, such solu

network anomalies netflow records anomaly detection deep learning zero-day attacks

发现论文，激发创造

基于变分自编码器学习概念的蜂窝网络可解释异常检测

该研究采用变分自编码器的方法解决了在移动网络中可解释的异常检测问题，该方法可以学习每个关键性能指标的可解释表示，使用重构误差和 Z 分数检测异常，通过附加信息中心增强表征学习，从而实现了异常可解释性和自主检测，同时展示了深度学习算法处理大数据的潜力。

Jun, 2023

条件变分自编码器进行异常检测

本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

Oct, 2020

变分图自编码器

本文提出可变图自编码器 (VGAE) 框架，用于处理基于变分自编码器 (VAE) 的图结构数据无监督学习模型。该模型基于潜在变量，能够学习图的可解释的潜在表示。在引文网络的链接预测任务中，我们使用图卷积网络 (GCN) 编码器和内积解码器来展示该模型。与大多数现有的图结构数据和链接预测无监督学习模型相比，我们的模型可以自然地融入节点特征，从而在许多基准数据集上显著提高预测性能。

Nov, 2016

具有变分自编码器的快速基于粒子的异常检测算法

我们提出了一种基于粒子的变分自编码器（VAE）异常检测算法 Set-VAE，该算法在与传统基于子结构的喷注选择相比下，实现了 2 倍的信号效率提高。此外，为了未来部署到触发系统，我们提出了 CLIP-VAE，使用 KL 散度作为异常得分，从而减少推理时间成本，加快 2 倍的延迟速度，并减少缓存需求。

Nov, 2023

使用图卷积网络检测异常网络通信模式

GCNetOmaly 是一种基于图卷积网络和变分自编码器的异常检测器，用于保护组织的终端设备免受复杂的网络攻击，通过训练模型并应用于连接事件数据，以及机器之间的各种特征数据，该模型能够有效地检测异常行为。

Nov, 2023

用于非监督异常检测的上下文编码变分自编码器

本研究提出了一种基于深度学习自编码器的未监督学习方法，结合了重构与密度计算的异常得分方法，成功地应用于医学影像的异常检测，并在 BraTS-2017 和 ISLES-2015 分割基准测试中表现出色。

Dec, 2018

时间序列异常检测中的弱增强变分自动编码器

结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

Jan, 2024

基于 GNN 的编码网络流量异常检测

本研究早期报告探索了在富含信息的网络流数据中使用图神经网络（GNNs）进行异常检测的可能性，以改进 GNN 在异常检测中的性能。

May, 2024

高斯混合全卷积变分自编码器实现视频异常检测和定位

提出了一种部分有监督的深度学习方法，用于视频异常检测和定位，其中使用的仅为正常样本，并且该方法基于使用深度学习训练的高斯混合模型，可以学习正常样本的特征表示。通过使用 RGB 帧和动态流图像，同时使用出现和运动异常构建了一个双流网络框架，并基于高斯混合分量的联合概率引入了一种基于样本能量的方法来评分图像测试块的异常。在 UCSD 数据集和 Avenue 数据集上进行了测试实验，结果表明，与现有技术相比，该方法具有卓越的性能。

May, 2018

用于异常喷注标记的变分自编码器

本文通过使用低级别喷注构成信息，针对大型强子对撞机的异常喷注标记对变分自编码器（VAEs）进行了详细研究。在无监督的情况下对背景下的 QCD 喷注进行训练，VAE 能够对重建喷注进行重要信息的编码，并学习潜在空间中表现力强的后验分布。我们呈现了不同方法来检测异常情况，并对距离相关性正则化的基于质量去相关的 VAEs 进行了研究。最终我们提出了异常暴露 VAE（OE-VAE），以构建一个性能优越的去相关异常喷注标记器，实现了异常检测灵敏度和去除异常得分中重力的两个目标。

Jul, 2020