一种用于物联网异常检测的高效单类支持向量机
网络与互联网体系结构
2021-04-23 v1 机器学习
摘要
不安全的物联网(IoT)设备对关键基础设施和整个互联网构成重大威胁；检测这些设备的异常行为仍然至关重要，但针对此类设备的快速、高效、准确的异常检测(也称为“新颖性检测”)仍难以实现。单类支持向量机(OCSVM)是机器学习中新颖性检测(或异常检测)的先进方法之一，因为它们在拟合{正常}与{新颖}数据之间复杂非线性边界方面具有灵活性。智能家居和智能城市中的物联网设备以及互联建筑基础设施，由于此类环境中可能出现的设备、流量模式和异常类型的多样性，为使用OCSVM进行新颖性检测提供了引人注目的用例。因此，许多先前的研究将OCSVM应用于物联网的新颖性检测。遗憾的是，传统OCSVM随着训练集规模增长会引入显著的内存需求，并且在预测时计算开销大，所需空间和时间随训练点数量线性增长。这些内存和计算约束在实际现实部署中可能令人望而却步，因为拟合复杂决策边界时通常需要大型训练集以开发准确模型。在这项工作中，我们将所谓的Nyström和(高斯)草图方法扩展到OCSVM，通过将这些方法与聚类和高斯混合模型相结合，在各种物联网环境中实现预测时间和空间的显著加速，且不牺牲检测精度。
引用
@article{arxiv.2104.11146,
title = {An Efficient One-Class SVM for Anomaly Detection in the Internet of Things},
author = {Kun Yang and Samory Kpotufe and Nick Feamster},
journal= {arXiv preprint arXiv:2104.11146},
year = {2021}
}