基于深度学习处理DGA、邮件与URL数据分析中不平衡问题的框架
机器学习
2020-10-20 v2 密码学与安全
神经与进化计算
社会与信息网络
信号处理
摘要
深度学习是许多应用的最先进方法。主要问题是大多数实时数据本质上高度不平衡。为避免训练中的偏差，可采用代价敏感方法。在本文中，我们提出基于代价敏感深度学习的框架，并在三个不同的网络安全用例上评估这些框架的性能，即域名生成算法（DGA）、电子邮件（Email）和统一资源定位符（URL）。使用代价不敏感以及代价敏感方法进行了各种实验，这两种方法的参数均基于超参数调优设定。在所有实验中，代价敏感深度学习方法的表现均优于代价不敏感方法。这主要是由于代价敏感方法在训练期间重视样本数很少的类别，从而有助于以更高效的方式学习所有类别。
引用
@article{arxiv.2004.04812,
title = {Deep Learning based Frameworks for Handling Imbalance in DGA, Email, and URL Data Analysis},
author = {Simran K and Prathiksha Balakrishna and Vinayakumar Ravi and Soman KP},
journal= {arXiv preprint arXiv:2004.04812},
year = {2020}
}
备注
12 pages