Apr, 2023

FlowTransformer：用于基于流的网络入侵检测系统的 Transformer 框架

PDF
TL;DR本文提出了 FlowTransformer 框架，一种新的基于 transformer 的网络入侵检测系统（NIDS）实现方法，FlowTransformer 利用 transformer 模型在识别网络的长期行为和特征方面的优势，通过捕捉网络流量中的复杂模式，为在网络安全领域中寻求使用 transformer-based 模型实现 NIDS 的研究人员和从业人员提供了灵活高效的工具。
发现论文，激发创造
  • 多域变压器深度学习用于网络入侵的早期检测

    提出一种多变量时间序列早期检测方法，将其应用于网络入侵检测系统（NIDS），通过引入新颖的特征提取器和基于深度学习的检测模型，能够提高传统 NIDS 的检测速度和准确性。

    Sep, 2023

  • 基于 Transformer 的有效载荷恶意软件检测与分类框架

    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

  • 基于深度迁移学习的网络流量监测

    本篇论文探讨使用深度学习方法构建网络入侵检测系统的现代方法，并使用深度迁移学习技术改善模型在资源匮乏的实际目标领域中的分类性能和分类速度，在 UNSW-15 数据集上，源领域中实现了 98.30% 的分类准确度得分，并在目标领域中实现了改善的 98.43% 的分类准确度得分。

    Jan, 2021

  • 利用网络变换器进行自监督和可解释的异常检测

    本文介绍了一种具有图形结构的 DNN 模型 - 网络转换器 (NeT)，用于检测工业控制系统中的异常，提供了分层次的功能，可以分析网络行为，提升了可解释性。

    Feb, 2022

  • 基于决策变压器的实时网络入侵检测

    基于过往轨迹和转换器架构的实时网络入侵检测，具有准确性和及时性的新解决方案。

    Dec, 2023

  • Transformer 神经自回归流

    使用 Transformer 神经自回归流（T-NAFs）通过注意力掩码将每个随机变量的维度视为单独的输入令牌，取得了 UCI 基准数据集上与 NAFs 和 B-NAFs 相媲美甚至更好的实验结果，同时使用数量级较少的参数而无需合成多个流。

    Jan, 2024

  • 基于 Transformer 模型的广义水文预测：120 小时流量预测

    该研究探讨了 Transformer 模型在美国爱荷华州 125 个不同位置的 120 小时溪流预测中的有效性。利用前 72 小时的数据，包括降雨量、蒸发蒸腾量和流量值，我们开发了一个通用模型来预测未来的溪流流量。我们的方法与通常依赖于特定位置模型的传统方法相反。我们将 Transformer 模型的性能与三个深度学习模型（LSTM、GRU 和 Seq2Seq）以及持久性方法进行了基准测试，利用 Nash-Sutcliffe 效率（NSE）、Kling-Gupta 效度（KGE）、Pearson 相关系数和归一化均方根误差（NRMSE）作为度量标准。研究结果显示 Transformer 模型的卓越性能，具有更高的中位数 NSE 和 KGE 分数，并展现出最低的 NRMSE 值。这表明它能够准确模拟和预测溪流流量，并能有效适应不同的水文条件和地理变化。我们的发现强调了 Transformer 模型在水文建模中作为先进工具的潜力，相比传统和现代方法具有显著改进。

    Jun, 2024

  • 逐流注意力的可解释 Transformer 模型用于通勤流预测

    通过引入 TransFlower，一种可解释的、基于 Transformer 的模型，使用流量 - 流量注意力来预测城市通勤模式，我们的研究在运动力学方面取得了 30.8% 的改进，为城市规划和政策决策提供了重要的移动动态洞察。

    Feb, 2024

  • TransFlow: Transformer 作为流学习器

    TransFlow 是一个基于 Transformer 结构的纯光流估计方法，通过利用空间自注意力机制和跨帧交叉注意力机制，实现更准确的相关性和可信匹配、通过长时序关联恢复更多的损失信息，并通过简单的自学习范式，消除复杂的多阶段预训练程序，在多个任务上实现了最先进的结果。

    Apr, 2023

  • 使用 Transformer 学习动态和分层交通时空特征

    本研究提出了 Traffic Transformer 模型，通过多头和掩码多头机制，动态地从数据中抽取时空特征，提高了交通预测性能，比现有技术表现更好。

    Apr, 2021