面向网络入侵检测的属性学习
密码学与安全
2016-08-01 v1 机器学习
摘要
网络入侵检测是大数据分析最显著的应用之一。该应用的主要问题之一是新型攻击的不断出现。这种以新攻击类别缺乏足够标注样本为特征的场景，传统机器学习方法难以应对。关于零样本学习（Zero-Shot learning, ZSL）方法能力的新发现，使其成为解决这一问题的一个有趣方案，因为它具有对未见类别实例进行分类的能力。ZSL本质上包含两个阶段：属性学习阶段和推理阶段。本文为ZSL的属性学习阶段提出了一种新算法。其思想是基于决策树（decision trees, DT）学习属性的新值。我们的结果表明，基于从DT中提取的规则，可以找到更好的属性值分布。我们还为在网络入侵检测（network intrusion detection, NID）上评估ZSL提出了一个实验设置。
引用
@article{arxiv.1607.08634,
title = {Attribute Learning for Network Intrusion Detection},
author = {Jorge Luis Rivero Pérez and Bernardete Ribeiro},
journal= {arXiv preprint arXiv:1607.08634},
year = {2016}
}