Apr, 2023

基于重构的 LSTM 自编码器用于多变量时间序列数据的异常 DDoS 攻击检测

PDF
TL;DR本研究提出了一种基于 LSTM-Autoencoder 模型的异常检测方法，可以识别 DDoS 攻击的深层模式并获得高精度的检测结果，尤其是在 LDAP 攻击方面表现出了 99% 以上的准确度。
ddos attackanomaly detectionlstm-autoencoderdeep learningreflection-based attacks
发现论文，激发创造
  • 时间序列无监督异常检测的降噪架构

    通过长短时记忆网络（LSTM）自动编码器，结合去噪自编码器，可以更高效地实现无监督异常检测。此方法的关键字包括异常检测、时间序列、去噪自编码器、LSTM 自动编码器和无监督学习。

    Aug, 2022

  • 使用 LSTM 模块和 KL 散度改进的 AutoEncoder

    本文提出了改进的带 LSTM 模块和 KL 散度的自动编码器（IAE-LSTM-KL）模型，通过添加 LSTM 网络来记忆正常数据的特征表示，并通过 KL 散度对特征输入到 SVDD 模块进行惩罚，从而解决了深度卷积自动编码器和深度支持向量数据描述模型在检测异常数据时存在的问题。实验结果表明，IAE-LSTM-KL 模型在异常检测方面具有更高的准确性，并且对数据集中的异常点污染也具有增强的鲁棒性。

    Apr, 2024

  • 一个用于电力分配网络中的网络攻击检测的无监督对抗自动编码器

    本研究提出了一种无监督对抗自编码器（AAE）模型，用于检测不平衡电力分配网格中的虚假数据注入攻击（FDIAs），并在 IEEE 13 巴士和 123 巴士系统上展示了其在检测网络攻击方面的卓越性能。

    Mar, 2024

  • 使用堆叠自编码器进行特征选择的勒索软件检测

    提出并评估一种结合堆叠自编码器（SAE）进行精确特征选择和长短期记忆（LSTM）分类器以提高勒索软件分层准确性的先进勒索软件检测和分类方法。

    Feb, 2024

  • 提高城市气象污染预测的对抗自编码器和对抗 LSTM

    本文利用深度学习中的对抗训练方法，尤其是 PCA-based 对抗自编码器和 LSTM 网络的方法，提高了城市空气污染 CFD 模拟的预报精度。

    Apr, 2021

  • 零日威胁的特征选择自编码器叠加

    采用堆叠自编码器（SAE）和长短期记忆（LSTM）方案，通过特征选择和零日威胁分类，实现对零日攻击的检测和分类，结果表明 SAE-LSTM 模型具有较高的准确性、召回率和 F1 分数，能够有效识别各种类型的零日攻击。

    Nov, 2023

  • IT 运维序列预测与异常检测联合模型

    本研究提出了预测器和异常检测器联合模型，使用变分自动编码器和长短期记忆网络来解决 IT 系统监控中的状态预测和异常检测问题，并通过实验证明了其优越性。

    Oct, 2019

  • 基于 LSTM 的编码器 - 解码器多传感器异常检测

    使用长短时记忆网络的编码器 - 解码器方案构建正常时间序列的重建，使用重构误差检测异常，实现了在可预测、不可预测、周期、非周期和准周期时间序列中检测异常。

    Jul, 2016

  • 基于长短期记忆循环神经网络的集体异常检测

    本文提出了一种实时的基于神经网络学习和特征操作的集体异常检测模型，该模型训练了一个 LSTM 循环神经网络来侦测网络数据的集体异常，实验结果表明该模型能够提供可靠和高效的集体异常检测方案。

    Mar, 2017

  • 基于深度学习方法的提升入侵检测性能的多攻击分类模型

    提出的模型介绍了新颖的深度学习方法，旨在创建可靠的入侵检测机制来帮助识别恶意攻击。通过三种方法构建了基于深度学习的解决方案框架，该模型在 NSL-KDD 数据集上进行了评估和多种攻击分类，并且相对于其他现有的浅层机器学习和深度学习模型，在准确性、检测率和低误报率方面都表现出色。

    Oct, 2023