Jul, 2024

基于深度学习的计算机网络异常检测与日志分析

HTML
PDF
TL;DR计算机网络异常检测和日志分析是网络安全领域的重要课题，本文提出了一种创新的融合模型，将孤立森林、生成对抗网络（GAN）和Transformer相互整合，通过对时间序列数据进行建模和上下文提取，实现更准确和稳健的异常检测和日志分析。实验结果表明，该模型在异常检测和日志分析方面显著提高了准确性并降低了假警报率。
发现论文，激发创造
  • 高效基于GAN的异常检测

    使用生成对抗网络（GANs）进行异常检测，取得了图像和网络入侵数据集方面的最新性能，并且测试时间比唯一已发布的基于GAN的方法快了数百倍。

    Feb, 2018

  • 使用生成对抗网络进行多元时间序列异常检测

    利用生成对抗网络（GAN）进行复杂的网络型智能物理系统的异常检测，通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为，针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。

    Sep, 2018

  • MAD-GAN：基于生成对抗网络的多元时序数据异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在SWaT和WADI数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

    Jan, 2019

  • GAN在异常检测中的应用综述

    本研究调查了基于GAN的异常检测方法，评价了其优缺点，并在不同数据集上实验证明了主要的GAN模型的性能。同时，提供了一个完整的开源工具箱来使用GAN进行异常检测。

    Jun, 2019

  • TadGAN: 使用生成对抗网络进行时间序列异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督异常检测方法——TadGAN。TadGAN利用长短时记忆网络（LSTM）作为生成器和评论家的基础模型以捕获时间序列数据的时间相关性，并通过循环一致性损失进行训练，以实现有效的时间序列数据重构。此外，该方法还提出了计算重构误差的几种新方法，以及不同的方法来组合重构误差和评论家输出以计算异常得分。实验结果表明TadGAN能够有效地检测异常，并在大多数情况下（11个数据集中的6个）胜过基线方法。

    Sep, 2020

  • 对抗性环境下的网络安全异常检测

    本文旨在探讨在IoBT的环境下，通过成本效益较高的无监督学习和基于图的方法来检测入侵网络系统中的异常情况，同时采用集成方法进行监督学习的异常检测，研究结果表明，采用两级的监督堆叠集成方法能更好地识别出恶意活动。

    May, 2021

  • 基于日志的深度学习异常检测：我们走得有多远？

    本文旨在对当前流行的五种基于深度学习模型的系统异常检测方法进行全面评估。通过对四个公共log数据集进行实验，我们发现训练数据选择、数据分组、类别分布、数据噪声和早期检测能力等因素都对模型评估产生了重要影响，并指出当前没有解决日志异常检测的问题。

    Feb, 2022

  • TSI-GAN: 使用卷积循环一致性生成对抗网络进行无监督的时间序列异常检测

    本研究提出TSI-GAN，一种用于时序数据的无监督异常检测模型，可以自动学习复杂的时间模式并广义于不同数据集，通过将每个输入时间序列转换为二维图像序列，并使用具有逆映射准确性的重建型GAN进行训练，以及后处理中应用Hodrick-Prescott过滤器来缓解假阳性问题，最终实验表明，与8种基准方法相比，TSI-GAN具有明显的性能优势。

    Mar, 2023

  • 基于图神经网络的日志异常检测与解释

    提出了一种名为Logs2Graphs的基于图形的方法，使用图神经网络进行日志异常检测，在处理复杂数据集时大大优于现有的方法，而且能够为每个异常提供关键节点的小子集作为解释。

    Jul, 2023

  • 发电厂中的异常检测与生成对抗网络

    使用生成对抗网络（GANs）进行电力发电厂异常检测的研究表明，GANs在有效的异常检测方面表现出色，特别适用于使用大型数据集。

    Sep, 2023