多媒体流量异常检测

用户级社交多媒体流量中准确的异常检测对于隐私安全至关重要。与现有被动检测大量标记训练样本中特定异常类的模型不同，用户级社交多媒体流量包含大量标记样本有限的新型异常类，并且具有不平衡、自相似和数据密集等特性。最近的进展，如生成对抗网络（GAN），通过仅从已知类别样本中学习样本生成器来合成新样本来解决此问题。然而，如果检测许多新类别，合成样本的数量将不可实现，此操作会显著增加计算复杂度和能源消耗。针对这些限制，本文提出了一种用于用户级社交多媒体流量异常检测的元学习方案（Meta-UAD）。该方案依赖于episodic训练范式，从K类M-shot分类任务的集合中学习，能够通过少量迭代步骤即可使用预训练模型适应任何新类别。由于用户级社交多媒体流量源于用户和社交应用之间复杂的交互过程，本文进一步开发了一个特征提取器以提高方案性能。它使用累积重要性排序提取统计特征，并使用基于LSTM的自编码器提取时间序列特征。我们在两个公开数据集上对方案进行了评估，结果进一步证明了Meta-UAD的优越性。