Deep-Net：面向网络安全用例的深度神经网络
机器学习
2018-12-11 v1 计算与语言
密码学与安全
摘要
深度神经网络（DNNs）近年来因解决自然语言处理、语音处理、计算机视觉等领域中长期存在的人工智能（AI）监督与无监督任务而被证明是一种强有力的方法。在本文中，我们尝试将 DNNs 应用于三种不同的网络安全用例：Android 恶意软件分类、事件检测与欺诈检测。每个用例的数据集均包含已知的真实良性与恶意活动样本。通过对网络参数与网络结构进行多种实验尝试，选定了 DNN 的高效网络架构。所选定高效配置的 DNN 实验以 [0.01-0.5] 范围内的学习率运行至多 1000 个 epoch。在所有网络安全用例的实验中，DNN 的实验表现均优于经典机器学习算法。这是因为 DNNs 隐式提取并构建了更好的特征，识别了导致更高准确性的数据特征。DNN 与 XGBoost 在 Android 恶意软件分类上取得的最佳准确率分别为 0.940 和 0.741，事件检测分别为 1.00 和 0.997，欺诈检测分别为 0.972 和 0.916。
引用
@article{arxiv.1812.03519,
title = {Deep-Net: Deep Neural Network for Cyber Security Use Cases},
author = {Vinayakumar R and Barathi Ganesh HB and Prabaharan Poornachandran and Anand Kumar M and Soman KP},
journal= {arXiv preprint arXiv:1812.03519},
year = {2018}
}