基于生成对抗网络的多变量时间序列异常检测
机器学习
2019-01-16 v3 机器学习
摘要
当今的网络物理系统（CPS）规模庞大、结构复杂，并附有作为网络攻击目标的网络化传感器与执行器。传统检测技术难以应对 CPS 日益动态与复杂的特性。另一方面，网络化传感器与执行器产生大量数据流，可对其进行持续监测以发现入侵事件。无监督机器学习技术可用于对系统行为建模，并将偏离行为分类为可能的攻击。本工作中，我们提出了一种新颖的基于生成对抗网络的异常检测（GAN-AD）方法，用于此类复杂网络化 CPS。我们在 GAN 中使用 LSTM-RNN 来捕捉 CPS 正常工作条件下传感器与执行器多变量时间序列的分布。我们并非独立地处理每个传感器与执行器的时间序列，而是同时建模 CPS 中多个传感器与执行器的时间序列，以考虑它们之间潜在的潜在交互。为利用 GAN 的生成器与判别器，我们部署了 GAN 训练的判别器以及生成器重构数据与真实样本之间的残差，以检测复杂 CPS 中的可能异常。我们使用 GAN-AD 来区分复杂六阶段安全水处理（SWaT）系统的异常受攻击状态与正常工作条件。实验结果表明，与现有方法相比，所提策略能以高检测率和低误报率有效识别由各种攻击引起的异常。
引用
@article{arxiv.1809.04758,
title = {Anomaly Detection with Generative Adversarial Networks for Multivariate Time Series},
author = {Dan Li and Dacheng Chen and Jonathan Goh and See-kiong Ng},
journal= {arXiv preprint arXiv:1809.04758},
year = {2019}
}
备注
This paper was presented in the 7th International Workshop on Big Data, Streams and Heterogeneous Source Mining: Algorithms, Systems, Programming Models and Applications on the ACM Knowledge Discovery and Data Mining conference, August 2018, London, United Kingdom