一种用于网络入侵检测的零样本学习的格拉斯曼方法
密码学与安全
2017-09-26 v1 机器学习
摘要
网络入侵检测的主要问题之一来自新攻击的不断涌现，因此对于新的攻击类别，没有足够的标记样本可用。传统的机器学习方法难以解决这个问题。这可以通过零样本学习来克服，这是计算机视觉领域的一种新方法，可分为两个阶段：属性学习和推理阶段。本文的目标是为网络入侵检测提出一种新的推理阶段算法。为实现这一目标，我们首先提出了一个用于评估零样本学习在网络入侵检测相关任务中的实验设置。其次，应用基于决策树的算法来提取规则，用于在属性学习阶段生成属性。最后，利用零样本类别在格拉斯曼流形上的点表示，可以使用该流形中点之间最短距离的显式公式来计算代表新攻击的零样本类别与对应攻击类别的已知类别之间的测地距离。在KDD Cup 99和NSL-KDD数据集上的实验结果表明，我们的零样本学习方法成功解决了网络入侵检测问题。
引用
@article{arxiv.1709.07984,
title = {A Grassmannian Approach to Zero-Shot Learning for Network Intrusion Detection},
author = {Jorge Rivero and Bernardete Ribeiro and Ning Chen and Fátima Silva Leite},
journal= {arXiv preprint arXiv:1709.07984},
year = {2017}
}