基于主动学习辅助注意力对抗性双编码器的排序增强异常检测
机器学习
2025-11-26 v1 人工智能
密码学与安全
神经与进化计算
摘要
高级持续性威胁（APTs）因其隐蔽性和长期性质，在网络安全领域构成重大挑战。现代监督学习方法需要大量标记数据，而在实际网络安全环境中，这类数据往往稀缺。本文提出了一种创新方法，利用自编码器进行无监督异常检测，并通过主动学习以迭代方式提高对 APT 异常的检测能力。通过有选择地查询不确定或模糊样本的标签，我们在减少标记成本的同时提高检测率，使模型能够以最少的数据提高检测准确率，减少对大量人工标记的需求。我们对所提出的注意力对抗性双编码器基于异常检测框架进行了详细表述，并展示了主动学习循环如何迭代增强模型。该框架在由 DARPA Transparent Computing 项目产生的真实世界不平衡来源痕迹数据库上进行评估，其中 APT 类攻击仅占数据的0.004%。数据集涵盖多个操作系统，包括 Android、Linux、BSD 和 Windows，并涵盖两种攻击场景。结果显示，在主动学习期间检测率显著提高，相较于其他现有方法表现更佳。
引用
@article{arxiv.2511.20480,
title = {Ranking-Enhanced Anomaly Detection Using Active Learning-Assisted Attention Adversarial Dual AutoEncoders},
author = {Sidahmed Benabderrahmane and James Cheney and Talal Rahwan},
journal= {arXiv preprint arXiv:2511.20480},
year = {2025}
}