面向网络异常检测的隐私保护混合集成模型：在安全与数据保护之间取得平衡
机器学习
2025-02-19 v1
摘要
由于对敏感数据保护日益受到关注，隐私保护网络异常检测已成为重要的研究领域。传统异常检测模型往往侧重准确率，忽视隐私这一关键方面。本文提出一种混合集成模型，融合隐私保护技术，以解决检测准确率和数据保护的问题。该模型结合了 K 近邻算法 (KNN)、支持向量机 (SVM)、XGBoost 和人工神经网络 (ANN) 的优势，构建一种能够在确保隐私的同时识别网络异常的稳健系统。该方法整合了先进的预处理技术，提升数据质量，解决小样本和不平衡数据集的挑战。通过将隐私措施嵌入模型设计，本文的解决方案在现有方法基础上实现了显著的进展，确保了检测性能的提升和强大的隐私保护。
引用
@article{arxiv.2502.09001,
title = {Privacy-Preserving Hybrid Ensemble Model for Network Anomaly Detection: Balancing Security and Data Protection},
author = {Shaobo Liu and Zihao Zhao and Weijie He and Jiren Wang and Jing Peng and Haoyuan Ma},
journal= {arXiv preprint arXiv:2502.09001},
year = {2025}
}
备注
Accepted by 2024 5th International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering(ICBAIE 2024)