多中心性图谱分解及其在网络入侵检测中的应用
社会与信息网络
2016-03-11 v2 密码学与安全
机器学习
摘要
许多现代数据集可以表示为图，因此诸如图主成分分析(PCA)等谱分解可能是有用的。与以往基于单一拓扑特征（例如中心化图邻接矩阵（图拉普拉斯）的 Fiedler 向量）子空间投影的图分解方法不同，我们提出了一种集成多种特征的图 PCA 和图字典学习的谱分解方法，这些特征包括图游走统计、中心性度量以及到参考节点的图距离。本文提出了一种用于单图分析的新 PCA 方法，称为多中心性图 PCA (MC-GPCA)，以及一种用于图集合的新字典学习方法，称为多中心性图字典学习 (MC-GDL)，二者均基于多中心性矩阵的谱分解。作为在网络入侵检测中的应用，MC-GPCA 可作为异常连接模式的有效指示符，而 MC-GDL 可为攻击分类提供判别基。
引用
@article{arxiv.1512.07372,
title = {Multi-centrality Graph Spectral Decompositions and their Application to Cyber Intrusion Detection},
author = {Pin-Yu Chen and Sutanay Choudhury and Alfred O. Hero},
journal= {arXiv preprint arXiv:1512.07372},
year = {2016}
}
备注
To appear in ICASSP 2016