SFE-GACN：一种基于嵌入空间类内生成的未知攻击检测新方法
密码学与安全
2021-03-30 v2 机器学习
摘要
在加密网络流量入侵检测中，基于深度学习的方案备受关注。然而在真实场景中，数据往往不足（少样本），导致模型预测与真实值之间存在各种偏差。因此，基于少样本的未知攻击检测等下游任务将受限于数据不足。本文提出一种基于嵌入空间类内生成的新型未知攻击检测方法，即 SFE-GACN，其可能成为少样本问题的解决方案。具体而言，我们首先提出会话特征嵌入（SFE）以概括会话的上下文（会话是网络流量的基本粒度），将不足数据带入预训练的嵌入空间。以此方式，我们在少样本情形下实现了初步的信息扩展。其次，我们进一步提出生成对抗协同网络（GACN），其通过监督生成样本以避免落入相似类别来改进常规生成对抗网络（GAN），从而使样本能够生成类内样本。我们提出的 SFE-GACN 能在少样本情况下准确生成会话样本，并在数据增强过程中确保类别间差异。检测结果表明，与最先进方法相比，平均 TPR 高出 8.38%，平均 FPR 低 12.77%。此外，我们在图形数据集上评估了 GACN 的图形生成能力，结果表明所提 GACN 可推广用于生成易混淆的多类别图形。
引用
@article{arxiv.2004.05693,
title = {SFE-GACN: A Novel Unknown Attack Detection Method Using Intra Categories Generation in Embedding Space},
author = {Ao Liu and Yunpeng Wang and Tao Li},
journal= {arXiv preprint arXiv:2004.05693},
year = {2021}
}
备注
19 pages, 9 figures, submitted to Computers & Security, accepted