训练基于双向 GAN 的单类分类器用于网络入侵检测
机器学习
2022-03-09 v2
摘要
网络入侵检测任务具有挑战性，因其所处理数据集的不平衡与无标签特性。现有的生成对抗网络（GAN）主要用于从真实样本中创建合成样本，也已被证明在异常检测任务中成功。在我们提出的方法中，我们基于双向 GAN（Bi-GAN）将训练好的编码器-判别器构建为单类分类器，用于从正常流量中检测异常流量，而非计算昂贵且复杂的异常分数或阈值。我们的实验结果表明，所提方法在网络入侵检测任务中极为有效，并在 NSL-KDD 数据集上优于其他类似的生成方法。
引用
@article{arxiv.2202.01332,
title = {Training a Bidirectional GAN-based One-Class Classifier for Network Intrusion Detection},
author = {Wen Xu and Julian Jang-Jaccard and Tong Liu and Fariza Sabrina},
journal= {arXiv preprint arXiv:2202.01332},
year = {2022}
}
备注
16 pages, 8 figures