基于长短期记忆循环神经网络的一类集体异常检测
机器学习
2018-02-02 v1 机器学习
摘要
计算机网络系统的入侵检测已成为当今网络管理员最关键的任务是之一。由于计算机网络上托管着有价值的资源，它对组织、政府和社会具有重要作用。传统的误用检测策略无法检测新的和未知的入侵类型。相比之下，网络安全中的异常检测旨在区分非法或恶意事件与网络系统的正常行为。异常检测可被视为一个分类问题，它建立正常网络行为的模型，并用以检测与该模型显著偏离的新模式。当前大多数异常检测方法基于正常行为与异常动作的学习，它们不包含记忆，即不考虑先前事件来对新的事件进行分类。本文提出一种基于神经网络学习的一类集体异常检测模型。通常，长短期记忆循环神经网络（LSTM RNN）仅在正常数据上训练，并能够预测输入之后若干个时间步。在我们的方法中，LSTM RNN 在正常时间序列数据上训练后对每个时间步进行预测。与单独考虑每个时间步不同，本文提出将一定数量时间步的预测误差观测作为检测集体异常的新思路。一定数量最近时间步的预测误差超过阈值即表明发生集体异常。该模型在 KDD 1999 数据集的时间序列版本上进行了评估。实验表明，所提模型能够高效地检测集体异常。
引用
@article{arxiv.1802.00324,
title = {One-class Collective Anomaly Detection based on Long Short-Term Memory Recurrent Neural Networks},
author = {Nga Nguyen Thi and Van Loi Cao and Nhien-An Le-Khac},
journal= {arXiv preprint arXiv:1802.00324},
year = {2018}
}
备注
arXiv admin note: substantial text overlap with arXiv:1703.09752