基于生成对抗网络的主机入侵检测异常生成
机器学习
2019-09-16 v1 密码学与安全
计算机视觉与模式识别
机器学习
摘要
生成对抗网络已在多个领域生成引人注目的结果。这种生成能力可具通用性，同时网络能深入理解数据分布。在许多领域中，该数据分布由异常与正常数据构成，异常出现频率通常较低，导致数据集不平衡。生成对抗网络所提供的能力可被用以考察这些异常，并通过创建合成异常来缓解不平衡数据集带来的挑战。这种异常生成在数据采集过程成本高且数据集天然不平衡的领域尤为有益。符合此描述的领域之一是主机入侵检测领域。本文选取 ADFA-LD 数据集作为关注数据集，其包含小足迹下一代攻击的系统调用。数据首先被转换为图像，随后使用 Cycle-GAN 由正常数据图像生成异常数据图像。生成的数据与原始数据集合并，用于训练异常检测模型。由此表明分类结果得以提升，AUC 由 0.55 升至 0.71，异常检测率由 17.07% 升至 80.49%。结果亦与 SMOTE 对比，展示了生成对抗网络在异常生成中的潜力。
引用
@article{arxiv.1812.04697,
title = {Anomaly Generation using Generative Adversarial Networks in Host Based Intrusion Detection},
author = {Milad Salem and Shayan Taheri and Jiann Shiun Yuan},
journal= {arXiv preprint arXiv:1812.04697},
year = {2019}
}
备注
Accepted and presented at IEEE Annual Ubiquitous Computing, Electronics, and Mobile Communications Conference (IEEE UEMCON) on 8th-10th November 2018