使用核 SHAP XAI 方法优化网络异常检测模型
机器学习
2023-08-02 v1 密码学与安全
摘要
异常检测及其解释在入侵检测、欺诈检测、网络流量与日志中的未知攻击检测等诸多研究领域中十分重要。由于其无界且缺乏监督的性质,识别为何一个实例是异常而另一个不是的原因或解释具有挑战性。借助新兴的可解释人工智能(XAI)技术可以回答这一问题。XAI 提供了用于解释和说明深度学习(DL)等复杂模型输出与运作的工具和技术。本文旨在利用 XAI 的核 SHAP 方法检测并解释网络异常。同样的方法被用于从准确率、召回率、精确率和 F 分数方面改进网络异常检测模型。实验使用最新的 CICIDS2017 数据集进行。创建并比较了两个模型(Model_1 和 OPT_Model)。OPT_Model(以无监督方式训练时)的总体准确率和 F 分数分别为 0.90 和 0.76。
引用
@article{arxiv.2308.00074,
title = {Using Kernel SHAP XAI Method to optimize the Network Anomaly Detection Model},
author = {Khushnaseeb Roshan and Aasim Zafar},
journal= {arXiv preprint arXiv:2308.00074},
year = {2023}
}
备注
7 Pages, 8 Figures, 3 Tables