少样本弱监督网络安全异常检测
密码学与安全
2023-04-18 v1 人工智能
机器学习
摘要
随着对基于互联网技术的依赖增加，泄露用户敏感数据的网络攻击正变得愈发普遍。这些攻击的规模和频率迅速升级，影响连接至互联网的系统与设备。传统防御机制可能不足以应对复杂且不断演变的新威胁。包括深度学习在内的机器学习方法的重大突破，引起了网络安全研究界对现有异常检测方法进一步增强的兴趣。遗憾的是，为所有新兴且复杂的攻击收集标注异常数据并不现实。仅使用少量标注数据样本来训练和调优异常检测机器学习模型是一种务实的方法。因此，少样本弱监督异常检测是一个令人鼓舞的研究方向。在本文中，我们对现有的少样本弱监督深度学习异常检测框架进行了增强。该框架结合了数据增强、表示学习和序数回归。随后我们在三个基准数据集 NSL-KDD、CIC-IDS2018 和 TON_IoT 上评估并展示了所实现框架的性能。
引用
@article{arxiv.2304.07470,
title = {Few-shot Weakly-supervised Cybersecurity Anomaly Detection},
author = {Rahul Kale and Vrizlynn L. L. Thing},
journal= {arXiv preprint arXiv:2304.07470},
year = {2023}
}
备注
Computer and Security (Elsevier)