使用网络 Transformer 的自监督可解释异常检测
机器学习
2022-03-01 v1 人工智能
密码学与安全
摘要
监测计算机网络流量是保护关键基础设施免受网络攻击的核心方法之一。机器学习（ML）与深度神经网络（DNNs）过去已被提出作为识别计算机网络中异常的工具。尽管检测这些异常提供了攻击发生的指示，但仅检测异常不足以让用户理解该异常。现成 ML 模型的黑箱性质阻碍了提取对于隔离故障/攻击源并采取纠正措施至关重要的重要信息。在本文中，我们引入网络 Transformer（NeT），一种用于异常检测的 DNN 模型，其融合了通信网络的图结构以提升可解释性。所提方法具有以下优势：1）通过融合计算机网络的图结构增强可解释性；2）提供分层特征集，支持不同粒度级别的分析；3）无需标注数据的自监督训练。所提方法通过在工业控制系统（ICS）中评估异常成功检测进行了测试。该方法成功识别了异常、受影响的设备以及导致异常的具体连接，提供了一种数据驱动的分层方法来分析网络行为。
引用
@article{arxiv.2202.12997,
title = {Self-Supervised and Interpretable Anomaly Detection using Network Transformers},
author = {Daniel L. Marino and Chathurika S. Wickramasinghe and Craig Rieger and Milos Manic},
journal= {arXiv preprint arXiv:2202.12997},
year = {2022}
}