使用堆叠自编码器进行特征选择的勒索软件检测
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
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。
Apr, 2023
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
本文提出了一种新的堆叠自编码器模型 - 邻近信封嵌套堆叠自编码器集成模型(NE_ESAE),该模型使用邻近样本信封学习机制进行优化,采用多层迭代平均聚类方法生成具有层次结构信息的信封样本空间,然后在每个样本空间的层上进行嵌套自编码器(ESAE)的训练和特征减少与基分类器的分类,最终通过集成机制融合信封样本空间的每一层的分类结果,实验结果表明这种方法比传统的特征学习方法和代表性的深度自编码器有显着的性能优势。
Oct, 2022
这篇文章介绍了一种新的半监督分类方法,该方法使用监督自编码器网络,将标签编码到自编码器的潜空间,并定义一个结合分类和重构损失的全局准则,用 PyTorch 实现该半监督自编码器方法并展示其在生物医学应用中的卓越表现。
Aug, 2022
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
本研究使用多模态传感信号来检测辅助操纵中的异常执行,提出了一种基于 LSTM-VAE 的异常检测器,评估结果显示该检测器在执行过程中比其他 5 种基准检测器表现更佳。
Nov, 2017
该研究使用深度学习模型、LSTM 网络和 GAN 来提高恶意软件检测的准确性和速度,通过 VirusShare 数据集的训练和评估,表明深度学习在主动网络安全防御中发挥着决定性的作用。此外,研究还探讨了集成学习和模型融合方法对减少偏差和提高模型复杂性的影响。
May, 2024
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
本文提出了一种新颖的防御策略 LayerCAM-AE 来对抗联邦学习中的模型污染攻击,通过整合 Layer Class Activation Mapping(LayerCAM)和自编码器(AE),显著增强了检测能力,实验结果表明 LayerCAM-AE 在联邦学习中提高了模型的检测率和准确性,超越了现有的防御模型 ResNet-50 和 REGNETY-800MF。
Jun, 2024