扫码下载APP

您的位置

资讯详情

本人可编辑资讯

仅支持在APP编辑资讯扫描二维码即可下载APP

一种适用于异常检测和网络安全的多生成器GANs分步训练方法

论论资讯 | 2023-04-20 3热度

Neurocomputing

Explore content

About the journal

Publish with us

A step-by-step training method for multi generator GANs with application to anomaly detection and cybersecurity

Adiban M.; Siniscalchi S.M.; Salvi G.

Published:2023-06-07
DOI:10.1016/j.neucom.2023.03.056

研究背景

在当今社会中,网络安全和异常检测是越来越受到关注的问题。然而,这些问题的数据往往倾向于正常观察结果,而真实应用中观察到的异常可能与训练数据中包含的异常显著不同。因此,研究如何仅基于正常数据的分布来检测异常是非常有必要的。

研究内容

为了解决这个问题,研究人员提出了一种新的目标函数,称为STEP-GAN。STEP-GAN使用生成对抗网络(GAN)来模拟可能的异常分布,通过学习任务特定正常数据的修改版本来实现。它采用多个生成器与鉴别器的逐步交互来捕捉数据分布中的不同模式。鉴别器不仅优化区分正常数据和异常数据,还优化区分不同的生成器,从而鼓励每个生成器模拟分布中的不同模式。这降低了GAN模型中已知的模式崩溃问题。研究人员在两个公开可用的高度不平衡数据集ICS(工业控制系统)安全数据集和UNSW-NB15中测试了他们的方法,并在电力系统和网络流量控制系统(NTCSs)领域中获得了比现有方法更好的表现。

研究意义

STEP-GAN的创新之处在于它能够通过学习正常数据的分布来检测异常,而不需要显式地提供异常数据。此外,该方法在多个领域中都表现出了很好的性能,证明了其广泛的适用性。这项研究的成果对于提高网络安全和异常检测的效率和准确性具有重要意义。

微信扫码即可查看