跨空间学习：基于度量融合原型网络的少样本网络攻击检测
密码学与安全
2025-01-03 v1 机器学习
摘要
网络入侵检测系统在识别新兴攻击模式时面临重大挑战，尤其是在数据样本有限的情况下。为此，我们提出一种针对少样本攻击检测的 novel 多空间原型学习 (MSPL) 框架。该框架在多个度量空间中运行——包括欧几里得距离、余弦距离、切比雪夫距离和 Wasserstein 距离——通过受约束的加权方案将其集成，以增强嵌入的鲁棒性并提高模式识别能力。通过利用 Polyak-平均原型生成，该框架稳定了学习过程并有效适应稀有和零日攻击。此外，episodic 训练范式确保了对各类攻击的平衡表示，从而实现稳健的泛化。实验结果表明，MSPL 在检测低特征和新型攻击类型方面优于传统方法，确立了其作为零日攻击检测的稳健解决方案。
引用
@article{arxiv.2501.00050,
title = {Learning in Multiple Spaces: Few-Shot Network Attack Detection with Metric-Fused Prototypical Networks},
author = {Fernando Martinez-Lopez and Lesther Santana and Mohamed Rahouti},
journal= {arXiv preprint arXiv:2501.00050},
year = {2025}
}
备注
The AAAI-25 Workshop on Artificial Intelligence for Cyber Security (AICS)