用于软件定义网络实时异常检测的 IndRNNLSTM 混合方法
机器学习
2024-02-12 v1 人工智能
网络与互联网体系结构
摘要
使用数据流预测在 SDN 中进行异常检测是一项困难的任务。该问题属于时间序列和回归问题类别。由于需要手动选择特征,机器学习方法在该领域具有挑战性。另一方面,深度学习方法由于能够自动选择特征而具有重要优势。同时,基于 RNN 的方法被使用得最多。LSTM 和 GRU 方法能很好地学习依赖实体;而 IndRNN 方法则能学习时间序列中的非依赖实体。所提出的方法尝试结合 IndRNN 和 LSTM 方法来学习依赖和非依赖特征。特征选择方法也为模型提供了合适的特征视图;为此,使用了四种特征选择模型:Filter、Wrapper、Embedded 和 Autoencoder。所提出的 IndRNNLSTM 算法与 Embedded 相结合,在 NSL-KDD 数据上实现了 MAE=1.22 和 RMSE=9.92。
引用
@article{arxiv.2402.05943,
title = {A hybrid IndRNNLSTM approach for real-time anomaly detection in software-defined networks},
author = {Sajjad Salem and Salman Asoudeh},
journal= {arXiv preprint arXiv:2402.05943},
year = {2024}
}