Graph Analytics for anomaly detection in homogeneous wireless networks - A Simulation Approach
在物联网(IoT)中,设备在连接到互联网时会受到各种攻击。有必要建立一种能够了解这些严重资源受限设备的局限性的攻击检测机制。这是重要的,因为当前的方法或者是针对无线网络定制的,或者是针对具有大量数据传输的传统互联网定制的。此外,检测机制不需要总是那么复杂。在某些情况下,简单地发出攻击正在发生的信号可能就足够了,例如在使用异常检测的NIDS中。在图网络中,中心节点是网络中最具影响力的节点。本研究的目的是实验性地探索当攻击通过网络传播时,中心节点的行为与异常检测之间的关系。因此,我们提出了一种新的异常检测方法,使用这种独特的方法,迄今为止尚未探索的通信网络。此外,在实验中,我们使用我们的方法识别了在整个物联网网络中发起和传播的攻击的存在。
2017-01-24 cs.CR cs.NI
An Optimal Relay Scheme for Outage Minimization in Fog-based Internet-of-Things (IoT) Networks
雾设备开始在物联网(IoT)生态系统中中继数据和服务方面发挥关键作用。这些中继可以是静态的或移动的,后者通过仔细的中继移动性设计提供了一个新的自由度,以提高性能。除此之外,节能一直是物联网网络中的一个普遍问题,设备受到功率约束,需要最佳的功率控制机制。在本文中,我们考虑了一种基于多层雾的物联网架构,其中移动/静态雾节点充当放大和转发中继,将从传感器节点接收的信息传输到更高层次放置的静态雾设备,该设备提供一些本地化服务。通过联合优化雾中继的移动模式和发射功率,有效地最小化所提出的场景的中断概率。推导了系统中断概率的解析表达式。此外,由于制定的问题的棘手性和非凸性,我们采用了基于最速下降法的迭代算法,以达到一个理想的目标。仿真结果表明,与固定位置和固定功率(FLFP)方案相比,优化位置固定功率(OLFP)方案的中断概率提高了62.7%,优化功率固定位置(OPFL)方案提高了79.3%,优化位置优化功率(OLOP)方案提高了94.2%(即,没有优化)。最后,我们提出了一个最佳的中继选择策略,选择一个合适的中继节点从随机分布的中继候选人。
2021-06-01 cs.NI
Carrier-Grade Anomaly Detection Using Time-to-Live Header Information
IP报头中的生存时间数据提供了两个有趣的特征:第一,不同的IP堆栈选择不同的起始TTL值。第二,每个被遍历的路由器应该递减TTL值。两者的结合提供了主机和路由指纹选项。我们提出了第一项研究运营商规模的互联网范围TTL行为的工作,并评估其检测异常(主要是欺骗性源IP地址)的适合性。使用专用软件,我们在40 Gbit/s的互联网上行链路上捕获了2周的原始TTL数据。为了进一步了解,我们积极测量观察到的主机,并进行大规模的基于hitlist的测量,这产生了IPv4和IPv6的三个互补数据集。大多数(69%的IPv4; 81%的IPv6)被动观察的多包主机表现出一个稳定的TTL值。对不稳定主机的主动测量为85%以上的响应主机产生稳定的锚定TTL值。我们开发了一种结构,以进一步分类不稳定的主机,例如,考虑到时间稳定性。TTL值与BGP数据的相关性是明确的,但不可预测。结果表明,运营商级TTL异常检测可以在以下类别中产生重要的见解:首先,该方法可以基于TTL观测标记异常(但可能在困难的假阳性/假阴性权衡下)。第二,该方法可以建立数据包源自其受好评的源的信任。
2016-06-24 cs.NI
Security Issues in the Optimized Link State Routing Protocol Version 2 (OLSRV2)
移动自组织网络(MANNETworks)正在走出研究实验室的局限,在现实世界的部署中找到一席之地。在专业领域(军事、车辆等)之外,城市范围的社区网络正在出现,通过MANNETWORK将普通的互联网用户彼此连接,并与互联网连接。增长,包括超过少数的“可信的参与者”,保持MANET网络连接的问题,即使面对粗心或恶意的参与者,出现,必须加以解决。保护MANET的第一步是分析路由协议的漏洞,管理连接。通过了解路由协议的算法是如何工作的,以及恶意者如何利用这些算法,可以制定对策,为更广泛的部署和使用做好准备。本文采取了一个抽象的算法,构成了优化的链路状态路由协议版本2(OLSRv 2),并确定每个协议元素的可能的漏洞和攻击-在某种程度上,提供了一个“食谱”如何最好地攻击一个操作OLSRv 2网络,或如何着手开发针对这些攻击的保护对策。
2010-05-25 cs.NI
Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach
Singapore University of Technology and Design(新加坡科技设计大学);Missouri University of Science and Technology(密苏里科技大学)
深度神经网络(DNN)的进步显著增强了物联网应用中异常数据的实时检测。然而,复杂性-准确性-延迟的困境仍然存在:复杂的DNN模型提供更高的准确性,但典型的物联网设备几乎无法承受计算负载,并且将负载卸载到云端的补救措施会导致长时间的延迟。在本文中,我们提出了一个自适应异常检测方案与层次边缘计算(HEC)来解决这一挑战。具体来说,我们首先构建复杂度不断增加的多个异常检测DNN模型,并将每个模型与相应的HEC层相关联。然后,我们设计了一个自适应的模型选择方案,制定为一个上下文强盗问题,并解决了使用强化学习策略网络。我们还采用了并行策略训练方法,利用分布式模型来加速训练过程。我们使用真实的物联网设备构建了一个HEC测试平台,使用单变量和多变量物联网数据集实现并评估了我们的上下文-强盗方法。与基线和最先进的方案相比,我们的自适应方法在单变量数据集上取得了最佳的准确性-延迟权衡,并在多变量数据集上取得了最佳的准确性和F1分数,延迟仅比最佳(但不灵活)方案长得可以忽略不计。
2021-08-09 cs.AI cs.DC cs.LG
A Multi-View Framework for BGP Anomaly Detection via Graph Attention Network
Institute of Cyberspace Security, Zhejiang University of Technology(浙江工业大学网络空间安全研究院);City University of Hong Kong(香港城市大学);University of Nottingham Ningbo China(宁波诺丁汉大学)
边界网关协议(BGP)作为Internet上交换路由可达性信息的默认协议,其流量异常行为与Internet异常事件密切相关。BGP异常检测模型通过其实时监测和报警功能,保证了Internet上稳定的路由服务。以往的研究要么关注特征选择问题,要么关注数据的记忆特性,而忽略了特征之间的关系以及特征中精确的时间相关性(无论是长期相关还是短期相关)。本文提出了一种多视图BGP更新流量异常行为捕获模型,该模型采用Seasonal and Trend decomposition using Loess(STL)方法去除原始时间序列数据中的噪声,并利用图注意力网络(GAT)分别发现特征间的特征关系和特征间的时间相关性。我们的结果在异常检测任务上优于最先进的方法,在平衡和不平衡数据集上的平均F1得分分别高达96.3%和93.2%。同时,我们的模型可以扩展到多个异常分类和检测未知事件。
2021-12-23 cs.AI cs.LG cs.NI
Multi-Perspective Content Delivery Networks Security Framework Using Optimized Unsupervised Anomaly Detection
Western University(韦仕敦大学);Ericsson(爱立信)
内容分发网络(CDN)通过互联网提供高效的内容分发。CDN提高了全球通信的连通性和效率,但其缓存机制可能会被网络攻击者破坏。在安全机制中,有效的异常检测是CDN安全增强的重要组成部分。在这项工作中,我们提出了一个多角度的无监督学习框架的CDN异常检测。在该框架中,提出了一种多视角的特征工程方法、一种利用隔离森林和高斯混合模型的优化无监督异常检测模型以及一种多视角的验证方法,主要从客户端IP和节点的角度检测CDN中的异常行为,从而识别拒绝服务(DoS)和缓存污染攻击(CPA)模式。实验结果是基于一个主要的CDN运营商提供的八天的真实世界的CDN日志数据的分析。实验结果表明,该框架能够有效识别异常内容、入侵节点、恶意IP及其对应的攻击类型,并得到多位网络安全专家的验证。这表明了所提出的方法在应用于现实世界的CDN数据时的有效性。
2021-07-24 cs.AI cs.CR cs.LG
Learning with Semantics: Towards a Semantics-Aware Routing Anomaly Detection System
本文提出语义感知的 BGP 路由异常检测系统,核心是学习 AS 路由角色的表示学习模型 BEAM,通过发现路由角色异常变化实现检测,在真实数据上以极低误报率检测出全部已知异常。
2024-02-25 cs.NI
A Transfer Learning and Optimized CNN Based Intrusion Detection System for Internet of Vehicles
Western University(韦仕敦大学)
现代车辆,包括自动驾驶车辆和联网车辆,与外部世界的连接越来越多,从而实现了各种功能和服务。然而,不断改善的连接性也增加了车联网(IoV)的攻击面,导致其易受网络威胁。由于车辆网络缺乏认证和加密过程,入侵检测系统(IDS)是保护现代车辆系统免受网络攻击的重要方法。针对车联网系统,提出了一种基于迁移学习和集成学习的入侵检测系统,该系统采用卷积神经网络(CNN)和超参数优化技术。在实验中,所提出的IDS在两个著名的公共基准车联网安全数据集(Car-Hacking数据集和CICIDS 2017数据集)上表现出超过99.25%的检测率和F1分数。这表明了所提出的IDS在车内和车外网络中的网络攻击检测的有效性。
2022-01-27 cs.AI cs.CR cs.CV
Intelligent Anomaly Detection and Mitigation in Data Centers
数据中心在当今的互联网中发挥着关键作用。云应用程序主要托管在多租户仓库规模的数据中心上。异常对数据中心的运营构成严重威胁。如果控制不当,一个简单的异常可能会蔓延到整个数据中心,导致级联故障。亚马逊AWS最近也受到了此类事件的影响。虽然提出了一些解决方案来检测异常并防止级联故障,但它们主要依赖于特定于应用的度量和基于案例的诊断来检测异常。考虑到多租户数据中心上的各种应用程序,所提出的解决方案无法及时检测异常。在本文中,我们设计了一个应用程序无关的异常检测方案。更具体地说,我们的设计使用了一个高度分布式的数据采掘计划在网络级的流量指标,以检测异常。一旦检测到异常,就会采取简单的措施来减轻损害。这确保了错误被限制,并在管理员干预之前防止级联故障。
2019-06-14 cs.NI
cISP: A Speed-of-Light Internet Service Provider
低延迟是各种交互式网络应用的要求。然而,互联网并没有针对延迟进行优化。因此,我们探讨了具有成本效益的广域网的设计,移动数据的路径非常接近大圆路径,在真空中的速度非常接近光速。我们的cISP设计通过自由空间无线连接增强了互联网的光纤。cISP解决了同时提供低延迟和可扩展带宽的根本挑战,同时考虑了从传输塔可用性到数据包排队等众多实际因素。我们表明,在美国和欧洲的连续cISP的实例将实现平均lachts在5%以内,可实现使用大圆路径以光速,在中等和长距离。此外,我们估计这些网络的经济价值将大大超过其费用。
2018-10-10 cs.NI
Deep Learning Anomaly Detection for Cellular IoT with Applications in Smart Logistics
网络物理基础设施系统中连接的物联网(IoT)设备数量正在以越来越快的速度增长。这给当前的物联网网络带来了重大的设备管理和安全挑战。在应对这些挑战的几种方法中,植根于深度学习(DL)的基于数据的方法正受到越来越多的关注。在本文中,受工业环境中即将到来的5G物联网连接的推动,我们建议将基于DL的异常检测(AD)作为服务集成到3GPP移动蜂窝物联网架构中。所提出的架构在物联网设备(ADM-EDGE)和移动核心网(ADM-FOG)中嵌入了基于自动编码器的异常检测模块,从而在系统响应性和准确性之间取得平衡。我们设计、集成、演示和评估了一个测试平台,该平台在3GPP窄带物联网(NB-IoT)移动运营商网络中集成的真实部署中实现了上述服务。
2021-04-02 cs.NI
ZDNS: A Fast DNS Toolkit for Internet Measurement
本文提出开源主动 DNS 测量框架 ZDNS,通过模块化架构与高性能设计支持大规模互联网 DNS 研究,并以案例研究展示其在揭示 DNS 运维复杂性方面的作用。
2023-09-23 cs.NI
Adaptive-Shot Hybrid Quantum Anomaly Detection for Tactile Internet Security: Reliability-Aware Measurement Allocation Under Resource Constraints
Iowa State University(爱荷华州立大学);Grand Valley State University(大峡谷州立大学);Kansas State University(堪萨斯州立大学)
针对触觉互联网安全,提出自适应射击变分量子电路策略,动态分配量子测量次数,在资源约束下平衡决策可靠性与资源消耗,显著节省射击次数并保持低决策分歧。
2026-10-06 cs.CR cs.LG cs.NI
A Hybrid Cluster-Based Classification Model for Anomaly Detection in Unbalanced IoT Networks
University of Isfahan(伊斯法罕大学)
本文提出了一种混合聚类分类模型,通过将训练数据分成三个不同的流量配置文件聚类,并在每个聚类上训练和评估多个基线机器学习模型,以提高物联网网络中异常检测的准确性。
2026-05-19 cs.NI
In-Network Processing Acoustic Data for Anomaly Detection in Smart Factory
现代制造业正在深度融合5G、物联网(IoT)、云/边缘计算等新技术,将制造业塑造到一个新的水平--智能工厂。自主异常检测(例如,故障机器和危险情况)的解决方案,并期望通过大规模物联网传感器部署来实现。在本文中,我们考虑基于声学数据的异常检测,这是广泛使用的工厂,因为声音信息反映了更丰富的内部状态,而视频不能,此外,音频系统的资本投资更经济友好。然而,使用音频数据的独特挑战是,声音在收集时混合,因此源数据分离是不可避免的。传统的方式将音频数据全部传输到一个集中点进行分离。然而,这种集中的方式(即,数据传输然后分析)可能延迟对关键异常的迅速反应。我们证明该作业可以转换为网络内处理方案,从而进一步加速。具体来说,我们提出了一个渐进的处理方案,其中数据分离作业作为微服务分布在中间结点上,与数据转发并行。因此,收集的音频数据可以以更少的总计算资源更快地分离43.75%。通过数值模拟对该方案进行了全面的评估,并与基准方案进行了比较,结果证明了该方案的优越性。
2021-10-04 cs.NI
The Surprising Effectiveness of LLMs in BGP Security: Mining An Unprecedented Amount of Incidents and Boosting Anomaly Detection
Zhongguancun Laboratory(中关村实验室);Beijing University of Posts and Telecommunications(北京邮电大学);Tsinghua University(清华大学)
该研究针对BGP安全领域公开路由异常数据集稀缺的问题,开发LLM辅助提取流水线构建了11.89倍于现有规模的基准,设计ROUTELLM检测器并实现远超基线的检测性能,相关资源已开源。
2026-08-25 cs.NI
In-Network Processing for Low-Latency Industrial Anomaly Detection in Softwarized Networks
现代制造商目前正在整合新的数字技术-例如基于5G的无线网络,物联网(IoT)和云计算-将其生产过程提升到一个全新的水平,即智能工厂的水平。在现代智能工厂的背景下,时间关键型应用对于促进高效和安全的生产越来越重要。然而,由于无线传感器的高密度和它们生成的大量数据,这些应用遭受数据传输和处理的延迟。随着下一代网络的出现,网络节点变得智能化并能够处理多种网络功能,节点的计算能力的提高使得可以卸载一些计算开销。在本文中,我们首次展示了我们的IA-Net-Lite工业异常检测系统,该系统具有网络数据处理的新功能。IA-Net-Lite利用智能网络设备将数据传输和处理相结合,并逐步过滤冗余数据,以优化服务延迟。通过在一个实际的网络仿真器中的测试,我们表明,所提出的方法可以减少高达40%的服务延迟。此外,我们的方法的好处可能会被利用在其他大容量和人工智能应用。
2021-12-07 cs.NI
Device identification using optimized digital footprints
Universiti Brunei Darussalam(文莱达鲁萨兰大学)
物联网(IoT)和非物联网设备数量的快速增长给网络管理员带来了新的安全挑战。在日益复杂的网络结构中,准确的设备识别是必要的。在本文中,设备指纹(DFP)方法已被提出用于设备识别,基于数字足迹,设备用于通过网络进行通信。基于Weka中的属性评估器,从单个传输控制协议/互联网协议分组的网络和传输层中选择了九个特征的子集,以生成特定于设备的签名。该方法已在两个在线数据集和一个实验数据集上进行了评估,使用不同的监督机器学习(ML)算法。结果表明,该方法能够使用随机森林(RF)分类器以高达100%的精度区分设备类型,并以高达95.7%的精度对单个设备进行分类。这些结果证明了所提出的DFP方法用于设备识别的适用性,以提供更安全和鲁棒的网络。
2022-12-04 cs.CR cs.LG cs.NI
A Unified Framework for Context-Aware IoT Management and State-of-the-Art IoT Traffic Anomaly Detection
University of Notre Dame(圣母大学)
本文提出一个统一框架,将上下文驱动的大语言模型与微调异常检测模块相结合,用于物联网设备管理和流量异常检测,并通过评估验证其在真实部署中的准确性、可扩展性和适用性。
2024-12-19 cs.AI cs.NI
VHetNets for AI and AI for VHetNets: An Anomaly Detection Case Study for Ubiquitous IoT
Chongqing University of Posts and Telecommunications(重庆邮电大学);Carleton University(卡尔顿大学)
垂直异构网络(VHetNets)和人工智能(AI)在6G及以后的网络中发挥着关键作用。本文提出了一种AI原生的VHetNets架构,以实现VHetNets和AI的协同,从而支持各种AI服务,同时促进自动化和智能化的网络管理。物联网中的异常检测是入侵检测、状态监测、设备活动分析、安全监管等领域所需要的主要人工智能服务,传统的异常检测技术主要将异常检测作为独立的服务,独立于其他网络管理功能,由于端节点资源受限和数据分布分散,其不能直接用于无处不在的物联网。在这篇文章中,我们开发了一个AI原生的VHetNet框架,为无处不在的物联网提供异常检测服务,其实现由智能网络管理功能辅助。我们首先讨论了VHetNets用于分布式AI模型训练的可能性,为无处不在的物联网提供异常检测服务,即,VHetNets for AI.之后,我们研究了人工智能方法在帮助为VHetNet提供自动和智能网络管理功能方面的应用,即,AI for VHetNets,其目的是促进异常检测服务的有效实施。最后,通过一个案例研究来证明所提出的人工智能原生VHetNet启用异常检测框架的效率和有效性。
2022-10-14 cs.AI cs.NI
Detecting Botnet Attacks in IoT Environments: An Optimized Machine Learning Approach
Western University(韦仕敦大学)
对互联网的依赖增加以及相应的连接需求激增导致物联网(IoT)设备的显着增长。物联网设备的持续部署反过来又导致网络攻击的增加,因为潜在的攻击面越来越多,最近的报告显示,物联网恶意软件攻击从2017年的1030万次增加到2018年的3270万次,增加了215.7%。这说明物联网设备和网络的脆弱性和敏感性增加。因此,需要在这样的环境中适当有效且高效的攻击检测和缓解技术。机器学习(ML)已经成为一种潜在的解决方案,因为物联网设备和网络生成了大量的数据。因此,它们有很大的潜力被用于物联网环境的入侵检测。为此,本文提出了一种优化的基于ML的框架,该框架由贝叶斯优化高斯过程(BO-GP)算法和决策树(DT)分类模型的组合组成,以有效和高效的方式检测对物联网设备的攻击。使用Bot-IoT-2018数据集评估了拟议框架的性能。实验结果表明,该优化框架具有较高的检测准确率、查准率、查全率和F-score,突出了其在物联网环境下检测僵尸网络攻击的有效性和鲁棒性。
2020-12-16 cs.CR cs.LG cs.NI
An Adversarial Zero-Shot Learning Approach for Anomaly Detection in Multivariate IoT Traffic Data
该研究针对物联网异常检测的设备多样、缺标注数据等挑战,提出结合对抗学习与对比损失的序列VAE框架,通过适配层、分割策略实现零样本跨域异常检测,在44种场景的6类数据集上表现出强泛化性与竞争力。
2026-09-04 cs.LG cs.NI
Anomaly Detection and Modeling in 802.11 Wireless Networks
INESC TEC(波尔图工程科学与技术研究所);Faculty of Engineering, University of Porto(波尔图大学工程学院)
IEEE 802.11无线网络在大学校园、企业、购物中心、机场和许多其他公共场所越来越流行,为大量人群提供开放和快速的互联网接入。无线用户也越来越依赖WiFi技术,因此对这项重要技术的可靠性和性能要求更高。然而,由于不稳定的无线电条件、故障设备和动态用户行为等原因,在无线覆盖区域中总是存在不可预测的性能问题。检测和预测这样的问题是非常重要的网络管理员,如果他们要减轻移动用户的连接问题,并提供更高质量的无线服务。本文的目的是改善802.11无线网络的管理,在一组异常的情况下,可能会发生在这样的网络的无线使用模式的特征和建模。我们将时不变(高斯混合模型)和时变(隐马尔可夫模型)建模方法应用于从大型生产网络生成的数据集,并描述了我们如何使用这些模型进行异常检测。然后,我们生成几个常见的异常的测试床网络和评估所提出的异常检测方法在一个受控的环境。实验结果表明,隐马尔可夫模型优于高斯混合模型,具有更高的异常检测率和更低的虚警率。
2017-07-04 cs.LG cs.NI
Timely Detection and Mitigation of Stealthy DDoS Attacks via IoT Networks
物联网(IoT)网络由传感器、执行器、移动和可穿戴设备组成,这些设备可以连接到互联网。由于市场上已有数十亿具有重大漏洞的此类设备,互联网服务以及一些也连接到互联网的网络物理系统面临着危险的威胁。具体来说,由于其现有的漏洞,物联网设备很容易受到损害,并成为一种新型的隐形分布式拒绝服务(DDoS)攻击的一部分,称为蒙古DDoS,其特点是其广泛分布的性质和每个来源的攻击规模小。本研究提出了一种新的基于异常的入侵检测系统(IDS),能够及时检测和缓解这种新兴类型的DDoS攻击。建议的IDS的检测和缓解隐身DDoS攻击的能力,甚至非常低的攻击大小,每个源通过数值和测试台实验证明。
2020-06-15 cs.CR cs.NI stat.ML
Meta-Generalization for Multiparty Privacy Learning to Identify Anomaly Multimedia Traffic in Graynet
在分布式服务系统、多代网络和未来的万物互联中,识别网络空间中的异常多媒体流量是一个巨大的挑战。这封信探讨了灰网中多方隐私学习模型的元泛化,以提高异常多媒体流量识别的性能。灰网中的多方隐私学习模型是一个全局共享的模型,它通过多方参数更新交换来进行分区、分布和训练,并保留隐私数据。元泛化是指发现学习模型的内在属性,以减少其泛化误差。在实验中,三个元泛化原则测试如下。通过改变字节级嵌入维数,降低了灰网多方隐私学习模型的泛化误差。之后,通过调整用于提取分组级特征的深度来减少误差。最后,通过调整支持集的大小对流量级数据进行预处理,减小了误差。实验结果表明,该建议优于国家的最先进的学习模型识别异常多媒体流量。
2022-12-14 cs.AI cs.CR cs.LG
Navigating Connected Car Cybersecurity: Location Anomaly Detection with RAN Data
针对联网汽车劫持与欺骗攻击,本文提出基于 RAN 事件监测的位置异常检测模块,利用数千万辆汽车数据识别同时出现在多地的恶意设备。
2024-07-02 cs.CR cs.NI
Machine Learning Based Network Vulnerability Analysis of Industrial Internet of Things
保护工业物联网(IIoT)设备至关重要,因为一旦发生攻击,可能会造成破坏性后果。机器学习和大数据分析是分析和保护物联网(IoT)技术的两个强大杠杆。通过扩展,这些技术也可以帮助提高IIoT系统的安全性。在本文中,我们首先介绍了常见的IIoT协议及其相关漏洞。然后,我们运行一个网络脆弱性评估,并讨论利用机器学习来对抗这些脆弱性。接着,文献回顾了现有的入侵检测解决方案,使用机器学习模型。最后,我们讨论了我们的案例研究,其中包括一个真实世界的测试平台,我们已经建立了进行网络攻击和设计的入侵检测系统(IDS)的细节。我们部署后门,命令注入和结构化查询语言(SQL)注入攻击系统,并演示如何基于机器学习的异常检测系统可以很好地检测这些攻击。我们已经通过代表性的指标来评估性能,以便对方法的有效性有一个公正的观点。
2019-11-13 cs.CR cs.LG cs.NI
Machine Learning-based Anomaly Detection in Optical Fiber Monitoring
ADVA Optical Networking SE(ADVA光网络公司);Christian-Albrechts-Universität zu Kiel(基尔大学)
光网络中安全可靠的数据通信是高速互联网的关键。然而,用作向全世界数十亿用户提供连接的数据传输介质的光纤易于发生由硬故障(例如,光纤切断)和恶意物理攻击(例如,光窃听(光纤窃听))等。这种异常可能导致网络中断,从而引起巨大的财务和数据损失,或者通过获得对所承载数据的未授权访问而损害光网络的机密性,或者逐渐降低网络操作。因此,它是非常需要实现有效的异常检测,诊断和定位方案,以提高光网络的可用性和可靠性。在本文中,我们提出了一种数据驱动的方法来准确,快速地检测,诊断和定位光纤异常,包括光纤切割,和光学窃听攻击。该方法结合了基于自动编码器的异常检测和基于注意力的双向门控递归单元算法,前者用于故障检测,后者用于故障诊断和定位,一旦检测到异常的自动编码器。我们验证了我们所提出的方法的效率,在各种异常情况下,使用真实的操作数据的实验。实验结果表明:(i)自动编码器检测到任何光纤故障或异常,F1得分为96.86%;(ii)基于注意力的双向门控递归单元算法以98.2%的平均准确率识别检测到的异常,并以0.19 m的平均均方根误差定位故障。
2022-03-19 cs.LG cs.NI
A Transfer Learning Framework for Anomaly Detection in Multivariate IoT Traffic Data
Holcombe Department of Electrical and Computer Engineering(电气与计算机工程系)
本文提出一种无需任何标注数据的无监督迁移学习框架,用于多变量物联网流量时间序列异常检测,并在新型入侵检测数据集上验证其优于现有方法。
2025-01-26 cs.CR cs.LG cs.NI
Anomaly Detection for IoT Global Connectivity
2 University of W\"urzburg, Germany
本文提出了无监督异常检测解决方案ANCHOR,通过统计规则与机器深度学习模型分析被动信令流量,帮助大型全球漫游平台主动识别物联网连接问题,实现早期预警与解决。
2025-08-13 cs.AI cs.LG cs.NI
Enhancing Anomaly Resilience in Research Networks: A Large-Scale Forecasting Benchmark for Dynamic Security Baselining
School of Computing University of Nebraska-Lincoln Lincoln, NE, USA
本研究针对研究与教育网络的安全悖论,基于Internet2数据集开展大规模基准测试,提出高保真流量预测框架,采用TiDE等先进架构并引入异常集成策略,提升异常区分度与鲁棒性,为网络安全操作提供支持。
2026-08-07 cs.CR cs.LG cs.NI
Efficient pattern-based anomaly detection in a network of multivariate devices
University of Antwerp(安特卫普大学);Tilburg University(蒂尔堡大学)
提出可扩展的两步异常检测方法BAD,先恢复实体关系,再基于序列模式嵌入检测,在9个基准上F1达0.78,优于基线3%且快一个数量级。
2023-05-07 cs.AI cs.LG cs.NI