Jun, 2023

使用机器学习和 Shapley 加性解释（SHAP）方法对分布式拒绝服务（DDoS）攻击检测进行分类和解释

PDF
TL;DR该研究提出了一个框架，利用机器学习和可解释的人工智能技术，分类和识别 DDoS 攻击的合法流量和恶意流量，在使用 SHAP 进行解释后的分类器模型中，该模型的性能表现高于 99％的准确性。
发现论文，激发创造
  • 利用核心 SHAP XAI 方法优化网络异常检测模型

    利用可解释的人工智能（XAI）中的 kernelSHAP 方法检测和解释网络异常，以提高网络异常检测模型的准确率、召回率、精确率和 F 分数。

    Jul, 2023

  • 当可解释性遇上对抗学习：使用 SHAP 签名检测对抗样本

    本文介绍了一种新的检测方法，该方法使用计算深度神经网络分类器的内部层的 Shapley 加性解释（SHAP）值来区分正常和对抗输入。通过针对流行的 CIFAR-10 和 MNIST 数据集构建数据集，训练基于神经网络的检测器去区分正常和对抗性输入，并评估了该方法在对抗攻击生成的对抗性数据上的检测能力。结果表明，该检测器具有高的检测准确性和对使用不同攻击方法生成的对抗性输入的强大泛化能力。

    Sep, 2019

  • 通过可解释的数据协作实现分布式机器学习的透明度

    为确保机器学习模型的伦理使用，该论文提出了一种基于模型不可知的可加特征归因算法（KernelSHAP）和数据协作方法的可解释数据协作框架，以应对难以解释的黑盒子模型。

    Dec, 2022

  • 面向可解释的元学习从事 DDoS 检测

    本文提出了一种基于人工免疫系统的严格可解释人工智能驱动的入侵检测方法，重点介绍了决策树模型的严格解释计算过程，并给出了正常流量的素质蕴含说明。

    Apr, 2022

  • 机器学习模型中的统一解释：一种扰动方法

    面向可解释人工智能（XAI）的高速范式转变已在近年来出现。高度复杂的机器学习（ML）模型在许多智能任务中蓬勃发展，而问题开始从传统的有效性度量转向更深层次的问题：该模型告诉我关于我的数据什么，它是如何得出这些结论的？XAI 和建模技术之间的不一致可能对这些解释性方法的效力产生质疑。为了解决这些问题，我们提出了一种针对流行的 XAI 的模型不可知方法 SHapley Additive exPlanations（Shap）进行系统的扰动分析。我们设计了一些算法，在动态推理的设置下生成相对特征重要性，这些设置针对一套流行的机器学习和深度学习方法，以及允许我们量化静态情况下生成解释的质量的度量指标。我们提出了特征重要性方法论的分类体系，度量了一致性，并观察了几个数据集中解释模型之间的可量化相似性。

    May, 2024

  • 一种新的监督深度学习解决方案，用于使用卷积神经网络（CNN）在边缘系统上检测分布式拒绝服务（DDoS）攻击

    本研究提出了一种基于深度学习的新型分布式拒绝服务攻击检测方法，利用新不伦瑞克大学 DDoS 评估数据集中的实时 DDoS 攻击数据来构建一个更广泛和更适用于现实世界的模型。该模型通过提取数据流并将其归一化到一个固定长度，然后通过自定义架构进行二进制分类，利用卷积神经网络和常见的深度学习算法实现分类和减轻 DDoS 流量的技术。结果表明，该算法在网络流量中检测 DDoS 攻击方面表现出很高的准确性，针对 2000 个未见过的流量达到了 0.9883 的准确率，并且可在任何网络环境中扩展应用。

    Sep, 2023

  • 使用神经网络检测 DDoS 攻击的方法 DDoSDet

    本研究提出使用神经网络检测 DDoS 攻击，区分恶意和合法数据流，从而防止网络性能下降。该系统精度高达 99.7％。

    Jan, 2022

  • 利用可解释的人工智能来提高神经网络的性能

    本研究提出了一种重新训练流程，使用 SHapley Additive explanations 值，从 XAI 入手并利用最先进的技术来增加模型的透明度和可信度，在人数统计场景和图像分类数据集上进行了实验验证，结果表明使用 SHAP-based 重新训练方法比使用相等加权训练方法更有效，分别提高了 4% 和 3% 的准确率。

    Oct, 2022

  • 基于解释性人工智能的自适应学习与 SHAP 聚类在能耗预测方面的应用

    通过整合可解释的人工智能技术与自适应学习，本论文提出了一种方法来增强能源消耗预测模型，重点处理数据分布变化。利用 SHAP 聚类方法，我们的方法能够为模型的预测结果提供可解释的解释，并利用这些洞察力来自适应地改进模型，平衡模型复杂度和预测性能。我们引入了一个三阶段的过程：(1) 获取 SHAP 值以解释模型的预测结果，(2) 通过聚类 SHAP 值来识别不同的模式和异常值，以及 (3) 根据得到的 SHAP 聚类特征来改进模型。我们的方法能够减轻过拟合并确保处理数据分布变化的鲁棒性。我们在一个包含建筑物能耗记录以及两个额外数据集的综合数据集上评估了我们的方法，以评估我们的方法在其他领域、回归和分类问题中的可迁移性。我们的实验结果表明，我们的方法在两种任务类型中均具有有效性，能够改善预测性能并提供可解释的模型解释。

    Feb, 2024

  • XRand：差分隐私防御解释引导攻击

    该研究介绍了一个叫做 XRand 的新的机制来保护基于特征的解释不被恶意利用，该机制使用局部差分隐私来限制攻击者对重要特征的了解。

    Dec, 2022