Oct, 2023

评估有监督分类过滤器对基于流的混合网络异常检测的影响

PDF
TL;DR本研究旨在评估监督过滤器在网络异常检测中的影响，通过在网络流数据中采用混合异常检测方法来进行实验。实证结果表明，与独立异常检测器相比，采用混合方法可以更高检测出已知攻击，并能侦测新型攻击，分别通过增加 AUC 度量指标 11% 和检测 30% 更多的攻击，同时保持误报率不变。
发现论文，激发创造
  • 一种用于入侵检测的混合深度学习异常检测框架

    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

  • 利用无监督机器学习进行水处理系统的异常检测

    本文提出并评估了无监督机器学习在网络安全物理系统（CPS）中进行异常检测的应用，对比采用深度神经网络和一类支持向量机两种方法的性能，结果表明深度神经网络产生了更少的误报，但一类支持向量机检测到的异常略微更多。

    Sep, 2017

  • 混合深度网络用于异常检测

    本文提出一种深度卷积神经网络 (CNN)，用于监控视频中的异常检测，该网络能够对每帧视频提供异常评估分数，实验结果与现有研究相竞争。

    Aug, 2019

  • CL-Flow：通过对比学习加强归一化流以实现更好的异常检测

    我们提出了一种自监督异常检测方法，结合对比学习和 2D-Flow，以实现更精确的检测结果和更快的推理过程。与主流的无监督方法相比，我们的方法展示了优越的检测准确度、更少的额外模型参数和更快的推理速度，整个训练和推理过程都是端到端的。

    Nov, 2023

  • 面向监督的异常检测

    本研究提出了一种基于半监督学习和主动学习的异常检测算法，能够在数据标记要求较高的情况下，大大减少数据标记量，提高检测精度，适用于网络入侵检测等领域。

    Jan, 2014

  • 计算工作流程中的异常检测自监督学习

    我们提出了一种基于自编码器驱动的无监督学习方法，从无标签的工作流数据中学习摘要统计，并估计计算工作流的正常行为。通过估计潜在空间中正常行为的分布，我们证明了我们可以在基准数据集上胜过最先进的异常检测方法。

    Oct, 2023

  • 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

  • 双向归一化流用于异常流量检测的半监督学习

    利用正常流量，我们提出了一个基于三阶段异常网络流量检测的框架，该框架可以生成伪异常样本，无需先验知识即可检测异常数据，通过深度表示学习、标准化和噪声添加等步骤实现。该方法在公共基准数据集上取得了最先进的结果。

    Mar, 2024

  • 水力条件监测系统异常检测中半监督学习的比较研究

    本研究系统比较了半监督学习方法在液压系统异常检测中的应用，设计了一种基于极限学习机的半监督 HELM 模型，并证实其在半监督方法中具有卓越的性能。

    Jun, 2023

  • 用自编码器二分类器实现有监督的异常检测

    本文提出了 Autoencoding Binary Classifiers（ABC），一种基于自编码器的新型监督异常检测器。ABC 是一种概率二元分类器，可以有效利用标签信息，并且以编码顺序优化模型对正常数据点的再现误差最小化，对已知异常最大化再现误差以实现对已知和未知异常的准确鉴别。实验结果表明，ABC 具有比现有监督和无监督方法更高的检测性能。

    Mar, 2019