用于点异常与集体异常检测的随机划分森林——在入侵检测中的应用
机器学习
2021-01-15 v2 机器学习
摘要
在本文中，我们提出DiFF-RF，一种由随机划分二叉树组成的集成方法，用于检测点异常与集体（以及上下文）异常。得益于在树的叶节点处使用的基于距离的范式，该半监督方法解决了孤立森林（IF）算法中已识别的一个缺陷。此外，考虑随机树叶节点处的访问频率，可在存在集体异常时显著提升DiFF-RF的性能。DiFF-RF相当易于训练，并且通过使用简单的半监督过程来设置所引入的额外超参数即可获得优异性能。我们首先在合成数据集上评估DiFF-RF以i)验证IF算法的局限性被克服，ii)展示集体异常如何被实际检测，以及iii)分析其所涉及元参数的影响。我们在UCI仓库的大量数据集以及两个与入侵检测应用相关的基准上评估DiFF-RF算法。我们的实验表明，DiFF-RF几乎系统地优于IF算法，同时也对单类SVM基线与深度学习变分自编码器架构构成挑战。此外，我们的经验表明DiFF-RF可在小规模学习数据存在时表现良好，而这反之对深度神经架构是困难的。最后，DiFF-RF计算高效且可易于在多核架构上并行化。
引用
@article{arxiv.2006.16801,
title = {Random Partitioning Forest for Point-Wise and Collective Anomaly Detection -- Application to Intrusion Detection},
author = {Pierre-Francois Marteau},
journal= {arXiv preprint arXiv:2006.16801},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:1705.03800