Nov, 2023

使用图卷积网络检测异常网络通信模式

PDF
TL;DRGCNetOmaly 是一种基于图卷积网络和变分自编码器的异常检测器，用于保护组织的终端设备免受复杂的网络攻击，通过训练模型并应用于连接事件数据，以及机器之间的各种特征数据，该模型能够有效地检测异常行为。
endpoint protectionanomaly detectorgcnetomalygraph convolutional networkmachine learning
发现论文，激发创造
  • 使用图神经网络检测上下文网络异常

    利用图神经网络（GNN）检测网络流量异常

    Dec, 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

  • GEE: 一种基于梯度的可解释性变分自编码器用于网络异常检测

    本文提出了一个名为 GEE 的框架，通过使用基于变分自编码器（VAE）的无监督深度学习技术和基于梯度的指纹技术来检测和解释网络流量中的异常，从而解决了传统监督式异常检测方法需要大量标记数据训练的限制和难以检测零日攻击的问题。实验结果表明了该方法的有效性。

    Mar, 2019

  • 使用图神经网络的图异常检测：当前状态与挑战

    本篇综述介绍了基于图神经网络的图形异常检测的最新进展，将这些方法总结为基于图形类型、异常类型和网络结构，并得出这是第一个基于 GNN 的综合检测图形异常方法的综述。

    Sep, 2022

  • 高斯混合全卷积变分自编码器实现视频异常检测和定位

    提出了一种部分有监督的深度学习方法，用于视频异常检测和定位，其中使用的仅为正常样本，并且该方法基于使用深度学习训练的高斯混合模型，可以学习正常样本的特征表示。通过使用 RGB 帧和动态流图像，同时使用出现和运动异常构建了一个双流网络框架，并基于高斯混合分量的联合概率引入了一种基于样本能量的方法来评分图像测试块的异常。在 UCSD 数据集和 Avenue 数据集上进行了测试实验，结果表明，与现有技术相比，该方法具有卓越的性能。

    May, 2018

  • 基于深度图卷积网络的配电系统故障定位

    本文提出了一种新颖的图卷积网络（GCN）框架，用于电力配电网络的故障定位。该方法集成了不同母线上的多个测量值，并考虑了系统拓扑结构。在 IEEE 123 母线基准系统上，GCN 模型的有效性得到了证实。模拟结果表明，该模型的故障定位精度远高于其他广泛使用的机器学习方案。此外，该方法对于测量噪声和数据丢失错误具有鲁棒性。提出了数据增强过程来增加模型在各种噪声和数据丢失错误水平下的鲁棒性。进一步的实验表明，该模型能够适应配电网络的拓扑变化，并能在有限数量的测量母线下良好运行。

    Dec, 2018

  • DefenseVGAE: 通过变分图自编码器防御图数据的对抗攻击

    本文提出了 DefenseVGAE 框架，利用变分图自编码器 (VGAEs) 重建图的结构来防御图神经网络 (GNNs) 在面对对抗性攻击时的鲁棒性，实验证明其在不同威胁模型下具有很强的有效性。

    Jun, 2020

  • 基于图神经网络的自监督网络入侵检测系统 Anomal-E

    本文介绍了一种新型入侵和异常检测方法 Anomal-E，它采用了基于 Graph Neural Networks 的自监督学习的方法，利用网络流量中的边部特征和拓扑结构来实现，同时取得了显著的改善。该方法是首次提出并取得实际成功的在无标签网络流量监测中采用 GNN 的方法。

    Jul, 2022

  • 基于图神经网络的多元时间序列异常检测

    提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

    Jun, 2021

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020