基于长短期记忆循环神经网络的集体异常检测
机器学习
2017-03-30 v1 密码学与安全
摘要
计算机网络系统的入侵检测已成为当今网络管理员最关键的任务之一。由于计算机网络上的宝贵资源，它对组织、政府和我们的社会具有重要作用。传统的误用检测策略无法检测新的和未知的入侵。此外，网络安全中的异常检测旨在区分非法或恶意事件与网络系统的正常行为。异常检测可以被视为一个分类问题，它构建正常网络行为的模型，并利用该模型来检测显著偏离该模型的新模式。当前大多数关于异常检测的研究都基于对正常和异常行为的学习。它们没有考虑之前和近期的事件来检测新输入的事件。在本文中，我们提出了一种基于神经网络学习和特征操作的实时集体异常检测模型。通常，长短期记忆循环神经网络（LSTM RNN）仅在正常数据上进行训练，并且能够预测输入前多个时间步的情况。在我们的方法中，在对每个时间步执行实时预测之前，使用正常时间序列数据训练 LSTM RNN。我们不再单独考虑每个时间步，而是提出将观察一定数量时间步的预测误差作为检测集体异常的新思路。来自最新若干时间步且高于阈值的预测误差将指示集体异常。该模型建立在 KDD 1999 数据集的时间序列版本上。实验表明，它可以为集体异常检测提供可靠且高效的方案。
引用
@article{arxiv.1703.09752,
title = {Collective Anomaly Detection based on Long Short Term Memory Recurrent Neural Network},
author = {Loic Bontemps and Van Loi Cao and James McDermott and Nhien-An Le-Khac},
journal= {arXiv preprint arXiv:1703.09752},
year = {2017}
}