用于多变量IoT流量数据的异常检测迁移学习框架
机器学习
2025-11-10 v1 密码学与安全
网络与互联网体系结构
摘要
近年来，快速的技术进步和广泛的互联网接入导致网络流量和时序数据中的异常现象显著增加。及时检测这些异常现象对于确保服务质量、防止财产损失和维护稳健的安全标准至关重要。虽然机器学习算法在实现高准确率的异常检测方面显示出前景，但其性能往往受限于训练数据的特定条件。在该领域，一个持久的挑战是时序数据集的异常检测缺乏标记数据。这一限制妨碍了传统机器学习和先进深度学习模型的训练效果。为此，无监督迁移学习成为一种可行解决方案，利用源域中未标记的数据来识别目标域中未标记数据的异常。然而，许多现有方法仍依赖于目标域中少量标记数据。为克服这些限制，我们提出一种基于迁移学习的时序多变量数据异常检测模型。与传统方法不同，我们的方法不需要源域或目标域中的标记数据。在新型入侵检测数据集上的实证评估表明，our模型在完全未标记的目标域中能够准确识别异常，优于现有技术。
引用
@article{arxiv.2501.15365,
title = {A Transfer Learning Framework for Anomaly Detection in Multivariate IoT Traffic Data},
author = {Mahshid Rezakhani and Tolunay Seyfi and Fatemeh Afghah},
journal= {arXiv preprint arXiv:2501.15365},
year = {2025}
}
备注
6 pages, 3 figures