利用网络变换器进行自监督和可解释的异常检测
本文介绍了一种新型入侵和异常检测方法 Anomal-E,它采用了基于 Graph Neural Networks 的自监督学习的方法,利用网络流量中的边部特征和拓扑结构来实现,同时取得了显著的改善。该方法是首次提出并取得实际成功的在无标签网络流量监测中采用 GNN 的方法。
Jul, 2022
这篇论文是关于基于 Transformer 的异常检测的综述,探讨了当前的挑战、Transformer 及其变种在异常检测中的原理、应用场景、数据集和评估指标,并对未来的研究趋势进行了全面分析。这是首篇集中研究 Transformer 在异常检测领域的综述,为对此感兴趣的研究者提供了详细的技术信息。
Feb, 2024
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
使用深度学习算法和无监督学习技术来监测和检测 IoT 网络中的异常,并在 KDD Cup 99 数据集上实施了一个模型,实验结果展示了异常检测模型的出色性能,达到了超过 98% 的准确率。
Feb, 2024
本文提出了基于深度变换网络的异常检测和诊断模型 ——TranAD。该模型采用基于注意力的序列编码器进行推断,能够快速、准确地确定异常观测值,并采用聚焦得分自制约和对抗训练等方法提高特征提取和模型稳定性。实验结果表明,TranAD 在数据和时间效率上优于现有的基准方法。
Jan, 2022
本研究中,我们利用带有 attention 机制的 RNN 语言模型来进行深度学习方法的可解释性应用于计算机系统和日志数据的异常检测,实现了卓越的性能和可解释性。
Mar, 2018
基于变压器的恶意流量检测算法,在只使用有效载荷字节的情况下,能够有效区分测试数据集中的恶意流量与良性流量,实现了二进制分类的平均准确率为 79% 和多类分类实验的准确率为 72%。
Mar, 2024
该研究提出了 GTA,一种新的多元时间序列异常检测框架,具有自动学习图结构、图卷积和使用基于 Transformer 的架构建模时间依赖性等特点。通过在四个公开可用的异常检测基准上进行的广泛实验,证明了该方法优于替代的最新技术水平。
Apr, 2021