Jasmine：一种对抗网络犯罪的新主动学习方法

在过去十年中，网络犯罪的出现加速了网络安全研究。然而，入侵检测方法的部署尚不充分。其原因之一是缺乏现实的评估数据集，这使得开发技术并对其进行比较成为挑战。这是由网络分析师对网络连接进行分类所需的巨大工作量所致。这引发了对以下方法的需求：(i) 能从少量标注数据中学习，(ii) 能对大量未标注数据进行预测，以及 (iii) 仅请求特别选定的未标注数据实例的标签。因此，主动学习(AL)方法备受关注。这些方法通过查询函数选择特定的未标注实例，预期可改善整体分类性能。由此产生的查询观测由人类专家标注并加入标注集。本文中，我们提出了一种称为 Jasmine 的新型混合 AL 方法。首先，它确定每个观测适合查询的程度，即其增强分类的可能性。这些属性为不确定性分数和异常分数。其次，Jasmine 引入了动态更新。这使得模型能够调整查询不确定、异常和随机所选观测之间的平衡。为此，Jasmine 能够在标注过程中学习最佳查询策略。这不同于网络安全中其他所有具有静态、预定查询函数的 AL 方法。我们表明，动态更新，因此 Jasmine，能够持续获得比仅查询不确定性、仅查询异常或两者固定组合更好且更鲁棒的结果。