利用机器学习和数据挖掘技术增强网络安全,本文提出了一种新的技术,基于多个数据参数预测网络中即将发生的攻击,通过测试阶段的结果选择最佳模型,并提取可能导致攻击的事件类别。
Dec, 2023
通过自动挖掘时间攻击模式,我们的研究旨在帮助安全从业人员从过去的网络威胁情报报告中挖掘有关恶意行为的结构化信息,并应用于优先处理和主动防御网络攻击。
Jan, 2024
本文介绍了一种基于深度神经网络和自回归时间序列模型的机器学习技术,利用公开 Web 资源的外部信号预测网络攻击,测试结果表明该方法在真实世界预测任务中显著提高了预测精确度,能够有效预防各种类型的网络攻击。
Jun, 2018
本文通过实证研究两个组织的真实数据,量化了过滤对于预测网络攻击可预测性的影响,发现过滤降低了网络攻击的可预测性,由于入侵事件的数据过少且具有不同于总数据集的生成过程,使得预测模型更加困难。
Apr, 2020
提出一种基于数据收集和更新模型周期性部署的时间威胁模型,通过时间戳对数据收集进行描述,并引入早期程度和持续时间度量,以定义对数据污染的时间鲁棒性。同时,通过时间聚合提供可靠的时间鲁棒性保护。
Feb, 2023
通过对黑客论坛上的情感分析,我们提出了一种新的方法来预测网络事件,该方法可以在攻击事件发生前几周就进行预测,一些特定的黑客论坛可以比现有的深度学习和时间序列模型更有效地进行预测。
Apr, 2018
我们提出了一个框架,用于检测市场操纵,通过使用弱监督模型识别潜在可疑的订单簿状态序列,并结合专家评估来筛选特定的订单簿状态,以此维护公平和高效的市场。
Mar, 2024
本研究介绍了一种名为 “TimeTrail” 的新技术,通过高级时间相关性分析来解释复杂的金融欺诈模式,该技术利用与时间相关的见解为欺诈检测决策提供透明和可解释的解释,提高了问责制和信任。
Aug, 2023
本论文提出了一种完全有效的基于机器学习的方法,用于保护连接车辆免受网络攻击,并针对使用配置规则提取相关信息的不同车辆接口(网络、CAN 和操作系统)进行监测,通过训练出的生成模型检测异常,以探测并诊断出其他现有方法无法发现的异常情况。
Nov, 2017
在线辱骂言语的使用已成为一个日益普遍的问题,对个人和社会造成损害,其影响从心理伤害一直升级到现实暴力甚至死亡。该研究旨在调查在不同语言中的辱骂言语检测中时间偏差的性质和影响,并探索缓解方法。我们评估了不同时间段辱骂数据集上的模型性能。我们的结果表明,时间偏差对辱骂言语检测是一个重大挑战,历史数据训练的模型表现随时间显著下降。我们还从历时的角度对这些辱骂数据集进行了广泛的语言学分析,旨在探索语言演变和性能下降的原因。该研究揭示了辱骂言语检测中时间偏差的普遍问题,为了解语言演变和缓解时间偏差提供了关键的见解。
Sep, 2023