度量至关重要：网络威胁情报主动学习中相似性度量的形式化评估
机器学习
2025-08-27 v1 人工智能
神经与进化计算
摘要
高级持续性威胁（APTs）因其隐蔽行为以及检测数据集中固有的极端类别不平衡，对网络防御构成了严峻挑战。为解决这些问题，我们提出了一种新颖的基于主动学习的异常检测框架，该框架利用相似性搜索迭代优化决策空间。我们的方法建立在基于注意力的自编码器之上，利用特征空间相似性来识别正常类和异常类实例，从而在极少量的专家监督下增强模型的鲁棒性。至关重要的是，我们对各种相似性度量进行了形式化评估，以理解它们对样本选择和异常排序有效性的影响。通过在包括DARPA透明计算APT痕迹在内的多样化数据集上的实验，我们证明了相似性度量的选择显著影响模型收敛、异常检测准确性和标注效率。我们的结果为在面向威胁情报和网络防御的主动学习流程中选择相似性函数提供了可操作的见解。
引用
@article{arxiv.2508.19019,
title = {Metric Matters: A Formal Evaluation of Similarity Measures in Active Learning for Cyber Threat Intelligence},
author = {Sidahmed Benabderrahmane and Talal Rahwan},
journal= {arXiv preprint arXiv:2508.19019},
year = {2025}
}