基于相似性学习的事件触发流量时间序列异常检测
机器学习
2025-06-23 v1
摘要
时间序列分析在网络安全中取得了很大成功，如入侵检测和设备识别。由于多个时间序列之间的相似性学习是下游分析的基础，因此是关键问题。由于事件触发时间序列的复杂时序动力学，常常难以确定适合安全相关任务（如异常检测和聚类）的合适相似度度量标准。本文旨在开发一种无监督学习框架，能够学习一组事件触发时间序列之间的相似性。从机器学习视角看，所提出的框架利用层次化多分辨率顺序自编码器和高斯混合模型 (GMM) 的优势，有效地从时间序列中学习低维表示。最终，获取的相似度度量可以轻松可视化以进行解释。该提出框架旨在为建模和学习众多事件触发时间序列之间的相似性提供一个踏脚石。通过大量定性和定量实验，我们发现该方法在性能上显著优于最先进的方法。
引用
@article{arxiv.2506.16855,
title = {Anomaly Detection in Event-triggered Traffic Time Series via Similarity Learning},
author = {Shaoyu Dou and Kai Yang and Yang Jiao and Chengbo Qiu and Kui Ren},
journal= {arXiv preprint arXiv:2506.16855},
year = {2025}
}
备注
16 pages, 14 figures. Published in IEEE Transactions on Dependable and Secure Computing. arXiv admin note: substantial text overlap with arXiv:2207.08159