用于计算机网络流量异常检测的序列聚合规则
密码学与安全
2018-05-15 v2 计算机与社会
机器学习
应用统计
摘要
我们评估了将无监督异常检测应用于计算机网络流量数据（或称流）的网络安全任务中的方法。我们借鉴自然语言处理文献，将流概念化为机器之间一种所谓的“语言”。我们评估了五种序列聚合规则在标记流数据集 CICIDS2017 中标记多种攻击类型的有效性。对于序列建模，我们依赖长短期记忆（LSTM）循环神经网络（RNN）。此外，我们描述了一个简单的基于频率的模型，并将其在攻击检测方面的性能与 LSTM 模型进行比较。我们得出结论：基于频率的模型往往在此类任务上表现与 LSTM 模型相当或更好，仅有少数显著例外。
引用
@article{arxiv.1805.03735,
title = {Sequence Aggregation Rules for Anomaly Detection in Computer Network Traffic},
author = {Benjamin J. Radford and Bartley D. Richardson and Shawn E. Davis},
journal= {arXiv preprint arXiv:1805.03735},
year = {2018}
}
备注
Prepared for the American Statistical Associations Symposium on Data Science and Statistics 2018