基于 SPCAGAN 增广的混合深度学习模型用于内部威胁分析
密码学与安全
2022-03-08 v1 人工智能
机器学习
摘要
来自组织内部可信实体的网络攻击被称为内部威胁。使用深度学习的异常检测需要全面的数据，但由于组织的保密性考量，内部威胁数据不易获取。因此，亟需生成合成数据以探索改进的威胁分析方法。我们提出一种基于线性流形学习的生成对抗网络 SPCAGAN，其接收异构数据源输入，并加入新颖损失函数以训练生成器产生与原始数据分布高度相似的高质量数据。此外，我们引入一种基于深度学习的混合模型用于内部威胁分析。我们利用基准数据集对数据合成、异常检测、对抗鲁棒性与合成数据质量分析进行了广泛实验。在此背景下，实证比较表明基于 GAN 的过采样与众多典型过采样方案具有竞争力。在合成数据生成方面，我们的 SPCAGAN 模型克服了模式崩溃问题，且比先前 GAN 模型收敛更快。结果表明，我们所提方法误差更低、精度更高，并生成明显优于先前模型的合成内部威胁数据。
引用
@article{arxiv.2203.02855,
title = {Hybrid Deep Learning Model using SPCAGAN Augmentation for Insider Threat Analysis},
author = {R G Gayathri and Atul Sajjanhar and Yong Xiang},
journal= {arXiv preprint arXiv:2203.02855},
year = {2022}
}
备注
14 pages, 8 figures