光网络实时异常检测的机器学习

Jun, 2023

Machine Learning for Real-Time Anomaly Detection in Optical Networks

Sadananda Behera, Tania Panayiotou, Georgios Ellinas

TL;DR本研究提出使用编码器 - 解码器深度学习模型，结合实时质量传输观测信息进行软故障演化模拟，用于网络攻击等异常检测。该模型在无需标记异常情况和分析整个数据集缺陷的前提下，实时有效地检测网络异常波动。

Abstract

This work proposes a real-time anomaly detection scheme that leverages the multi-step ahead prediction capabilities of encoder-decoder (ED) deep

real-time anomaly detection encoder-decoder deep learning quality-of-transmission soft-failure evolution

发现论文，激发创造

基于机器学习的光纤监测异常检测

提出了基于数据驱动的方法，包括自编码器的异常检测和注意力机制的双向门控循环单元算法，以诊断物理攻击如光纤断裂和光学窃听对光网络的影响，并在各种攻击方案下使用实际运行数据验证了该方法的有效性。

Feb, 2022

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

基于动态阈值的卷积自编码器实时异常检测

创新的混合建模方法结合统计学和卷积自编码器，利用动态阈值（基于马氏距离和移动平均）检测实时智能计量系统中的异常，从而提供早期预警，以预防灾难并在经济上受益于组织和消费者。

Apr, 2024

深度序列建模用于异常 ISP 流量预测

本文介绍了在预测实际交通时检测和纠正异常值对深度序列模型的影响，探究了多个模型在异常数据预测方面的表现，实验结果表明 LSTM-En-De（长短时记忆编码器 - 解码器）是最佳的预测模型，并能通过清除异常值降低预测误差。

May, 2022

基于深度学习的物联网网络流量分析

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

基于门控循环单元的自编码器用于无源光网络中光链路故障诊断

本文提出了基于自编码器的深度学习方法，用于识别和定位被动光网络中的光纤故障，并通过实验结果展示该方法可在 97% 的准确率下定位故障，平均绝对误差为 0.18 米，表现优于传统技术。

Mar, 2022

智能卫星物联网系统的异常检测任务

基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统，在考虑了本地子序列中包含的不同特征信息的基础上，自动学习环境传感器变量之间的复杂线性和非线性依赖关系，利用重构误差和判别误差的异常得分计算方法，可以高实时性地监测实际传感器数据的异常点，适用于智能卫星物联网系统。大多数情况下，异常检测优于基准方法，具有很好的可解释性，可用于监测环境传感器，预防工业事故和网络攻击。

Mar, 2024

多元时间序列数据非监督异常检测和诊断的深度神经网络

该论文提出了一种名为 “MSCRED” 的多尺度卷积循环编码器 - 解码器模型，用于在多元时间序列数据中执行异常检测和诊断，并且在合成数据集和实际电厂数据集上进行了广泛的实证研究，证明 MSCRED 可以优于现有的基线方法。

Nov, 2018

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

LEAN-DMKDE: 用于异常检测的量子潜在密度估计

本研究提出了一种将基于密度估计的异常检测方法的强大统计基础与深度学习模型的表示学习能力相结合的异常检测模型，该模型将自动编码器与基于随机傅里叶特征和密度矩阵的密度估计模型相结合，构建了一个端到端的架构，并可使用梯度优化技术进行训练。该方法基于估计的密度为新样本预测正常程度，使用不同基准数据集进行了系统实验评估，在实验结果中表现与或优于其他最先进方法。

Nov, 2022