GEE：一种用于网络异常检测的基于梯度的可解释变分自编码器
机器学习
2019-03-18 v1 机器学习
摘要
本文研究通过分析 NetFlow 记录来检测网络异常的问题。尽管许多以往工作以监督方式使用统计模型与机器学习技术，但此类方案存在局限：需要大量标注数据用于训练，且难以检测零日攻击。现有异常检测方案也无法简便地解释或识别异常流量中的攻击。为应对这些局限，我们开发并提出了 GEE，一种用于检测与解释网络流量中异常的框架。GEE 包含两个组件：（i）变分自编码器（VAE）——一种用于检测异常的无监督深度学习技术；（ii）基于梯度的指纹技术——用于解释异常。在近期 UGR 数据集上对 GEE 的评估表明，我们的方法能有效检测不同异常，并识别出可作为各类攻击良好表示的指纹。
引用
@article{arxiv.1903.06661,
title = {GEE: A Gradient-based Explainable Variational Autoencoder for Network Anomaly Detection},
author = {Quoc Phong Nguyen and Kar Wai Lim and Dinil Mon Divakaran and Kian Hsiang Low and Mun Choon Chan},
journal= {arXiv preprint arXiv:1903.06661},
year = {2019}
}
备注
to appear in 2019 IEEE Conference on Communications and Network Security (CNS)