Meta-UAD：一种用于用户级网络流量异常检测的元学习方案
密码学与安全
2025-01-16 v2
摘要
用户级网络流量中的精确异常检测对网络安全至关重要。与依赖大量标注训练样本被动检测特定异常类的现有模型相比，用户级网络流量包含大量仅有少量标注样本的新异常类，且具有不平衡、自相似和数据饥渴的特性。受这些局限性启发，本文提出了一种用于用户级网络流量异常检测的元学习方案 \textit{Meta-UAD}。Meta-UAD 使用 CICFlowMeter 提取 81 个流级统计特征，并利用累积重要性排序去除部分无效特征。Meta-UAD 采用元学习训练结构，从 K-way-M-shot 分类任务集合中学习，能够利用预训练模型通过少量迭代步骤，以极少样本适应任意新类别。我们在两个公开数据集上对该方案进行了评估。与现有模型相比，结果进一步证明了 Meta-UAD 的优越性，其 F1-score 提升了 15{\%} - 43{\%}。
引用
@article{arxiv.2408.17031,
title = {Meta-UAD: A Meta-Learning Scheme for User-level Network Traffic Anomaly Detection},
author = {Tongtong Feng and Qi Qi and Lingqi Guo and Jingyu Wang},
journal= {arXiv preprint arXiv:2408.17031},
year = {2025}
}
备注
Accepted