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
Network Traffic Decomposition for Anomaly Detection
University of Sydney(悉尼大学);NICTA(澳大利亚国家信息与通信技术研究院)
在本文中,我们专注于检测网络异常,如拒绝服务(DoS)攻击和端口扫描在一个统一的方式。虽然在网络异常检测方面已经有了大量的研究,但目前最先进的方法只能以牺牲其他异常为代价来检测一类异常。我们将使用的关键工具是基于轨迹/汉克尔矩阵的谱分解,该矩阵能够检测所观察到的网络流量数据中存在的相关性之间和内部的偏差。对合成和真实网络痕迹的详细实验表明,与竞争方法相比,检测能力有了显着提高。在这个过程中,我们还解决了异常检测系统的鲁棒性问题的原则方式。
2014-03-02 cs.LG cs.NI
CNN+Transformer Based Anomaly Traffic Detection in UAV Networks for Emergency Rescue
The Key Laboratory of Dynamic Cognitive System of Electromagnetic Spectrum Space, Ministry of Industry and Information Technology, Nanjing University of Aeronautics and Astronautics(南京航空航天大学电磁频谱空间动态认知系统重点实验室(工业和信息化部));Department of Electronic and Electrical Engineering, University College London(伦敦大学学院电子与电气工程系)
本文提出一种结合SDN、区块链及CNN+Transformer的无人机网络异常流量检测架构CTranATD,实验证明其优于CNN、Transformer和LSTM。
2025-03-26 cs.LG cs.NI
On the Utility of Anonymized Flow Traces for Anomaly Detection
网络痕迹的共享是开发和评估高效异常检测机制的重要前提。不幸的是,隐私问题和数据保护法律阻止网络运营商共享这些数据。在这种情况下,防病毒化是一种很有前途的解决方案;然而,目前还不清楚数据的清理是否保留了流量特征或引入了可能伪造流量分析结果的伪像。在本文中,我们研究了异常检测的匿名流迹的效用。我们定量评估的IP地址匿名化,即变化的排列和截断,对大规模的异常的可检测性的影响。具体来说,我们分析了三个星期的未采样和非匿名的网络痕迹,从一个中型骨干网络。我们发现,所有的匿名化技术,除了前缀保留置换,降低了异常检测数据的效用。我们表明,退化的程度在很大程度上取决于存在于一个跟踪异常的性质和组合。此外,我们提出了一个案例研究,说明了如何通过匿名化扭曲个别主机的流量特征。
2008-10-09 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
Fuzzy Based Diagnostics System for Identifying Network Traffic Flow Anomalies
本文讨论了网络流量特性在被动网络监控中的应用,用于识别和识别网络异常。
2013-04-30 cs.NI
A method based on hierarchical spatiotemporal features for trojan traffic detection
针对HTTP木马流量检测难题,提出基于分层时空特征的神经网络模型HSTF-Model,融合深度学习与专家知识,在真实流量中F1达99.4%,并发布数据集BTHT。
2023-09-03 cs.NI
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
A New Approach to Dimensionality Reduction for Anomaly Detection in Data Traffic
Akamai Technologies(阿卡迈技术公司);Drexel University(德雷塞尔大学)
在大型网络中,对大量特征丰富的流量进行监控和管理在存储、传输和计算成本方面提出了重大挑战。降低这些成本的主要方法是基于执行数据到低维子空间的线性映射,使得数据中的一定大百分比的方差保留在低维表示中。这种基于方差的子空间降维方法强制选择固定的维数,对观察到的流量模式的实时变化不敏感,并且容易受到正常流量欺骗的影响。基于本文证明的理论见解,我们提出了一种新的基于距离的降维方法,其动机是观察到的和正常的流量的协方差矩阵之间的实时结构差异比单独的训练数据的结构更相关的异常检测。我们的方法,称为基于距离的子空间方法,允许在不同的时间窗口中减少不同数量的维度,并只达到有效的异常检测所需的维度数量。我们提出了我们的算法的集中式和分布式版本,并使用模拟真实的交通痕迹,展示了定性和定量的优势,基于距离的子空间方法。
2016-06-14 cs.CR cs.LG cs.NI
Using Intuitionistic Fuzzy Set for Anomaly Detection of Network Traffic from Flow Interaction
我们提出了一种方法来检测异常的时间序列流相互作用模式。现有的网络流量异常检测方法有很多种,比如数据包数量检测。然而,目前还没有一个确定的方法来检测流相互作用模式的时间序列中的异常,可以表示为复杂网络。首先,基于提出的基于时间局部性的多变量流相似性方法,构建了描述交通流交互行为的复杂网络模型(MFS-TL)。分析了MFS-TL特征、时间局部性窗口和多变量流相似性临界阈值之间的关系,建立了一种参数确定方法。观察MFS-TL特性的演变,三个非确定性的相关性被定义为网络状态(即正常或异常)。在此基础上,引入直觉模糊集(IFS)对三种非确定性相关性进行量化,提出了一种单特征序列的异常检测方法。为了建立一个客观的IFS,我们设计了一个基于高斯分布的隶属函数与可变的犹豫度。为了确定IFS的聚类区间到网络状态的映射,开发了区分指数。在此基础上,提出了一种IFS集成方法(IFSE-AD)来消除MFS-TL特性不一致对网络状态的影响,提高检测性能。最后,在多个网络流量数据集上进行了大量的异常检测实验,实验结果证明了IFSE-AD方法的优越性,验证了该方法的有效性。
2018-09-12 cs.NI cs.SI
Robust Anomaly Detection in Dynamic Networks
我们提出了两个强大的方法,在动态网络中的正常流量的属性是时变的异常检测。我们制定了强大的异常检测问题作为一个二元复合假设检验问题,并提出了两种方法:无模型和基于模型的一个,利用大偏差理论的技术。这两种方法都需要一个家庭的概率定律(PL),代表正常的业务属性。我们设计了一个两步的程序来估计这个家庭的PL。我们比较我们的强大的方法和他们的香草同行,它假设正常的流量是固定的,在一个网络上的一个昼夜正常的模式和一个共同的异常相关的数据泄漏的性能。仿真结果表明,我们的鲁棒方法在动态网络中的性能优于他们的香草同行。
2015-03-08 cs.NI stat.AP
CoMeT-Net: Consensus Memory Template Network for Real-time Traffic Anomaly Detection
Rutgers University–New Brunswick(罗格斯大学新不伦瑞克分校)
针对O-RAN实时异常检测的需求,提出CoMeT-Net框架,通过三项创新实现高准确率、低误报率与低延迟,在测试中表现优于基线方法并通过O-RAN测试床验证。
2026-08-18 cs.NI
Research on Cloud Platform Network Traffic Monitoring and Anomaly Detection System based on Large Language Models
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本研究提出一种基于大语言模型的云平台网络流量监控与异常检测系统,融合Transformer注意力机制和迁移学习,在无需大量标注数据下提升检测精度与效率,有效识别零日攻击等异常并降低误报率。
2025-04-22 cs.AI cs.LG cs.NI
Network Anomaly Detection in Cars: A Case for Time-Sensitive Stream Filtering and Policing
本文利用时间敏感网络(TSN)的流量分类、过滤与策略机制,在数据链路层构建车载网络异常检测系统,并通过真实汽车拓扑与攻击迹验证其在完全指定通信矩阵下可实现零假阳性告警。
2024-10-21 cs.NI
Network Volume Anomaly Detection and Identification in Large-scale Networks based on Online Time-structured Traffic Tensor Tracking
本文讨论了网络异常,即从间接链路测量推断网络级异常的问题。这个问题被转换为一个低秩子空间跟踪问题的正常流量下的不完全观测,和异常流量的离群点检测问题。由于交通数据是大规模的时间结构数据,伴随着噪声和部分观测下的离群值,一个有效的建模方法是必不可少的。为此,本文提出了一种在线子空间跟踪的Hankelized的时间结构的流量张量的正常流量的Candecomp/PARAFAC分解的基础上,利用递归最小二乘(RLS)算法。我们估计异常流作为离群稀疏流通过稀疏最大化的基本约束下的线性逆问题。一个主要的优点是,我们的算法估计正常流量的低维矩阵的时间方向的功能,以及多个链接的空间相关性,而不使用过去观察到的测量和过去的模型参数。大量的数值计算结果表明,该算法实现了更快的收敛,每次迭代的模型近似,和更好的体积异常检测性能相比,国家的最先进的算法。
2016-08-19 cs.NI stat.ML
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
Ending the Anomaly: Achieving Low Latency and Airtime Fairness in WiFi
随着连接的设备越来越多,WiFi跳的延迟和抖动变得越来越普遍,网络拥塞期间的正确功能变得更加重要。然而,两个重要的性能问题阻碍了现代WiFi发挥其潜力:过度的缓冲(即缓冲区膨胀)和802.11性能异常导致的负载下延迟增加。为了解决这些问题,我们提出了一个新的两部分的解决方案:我们设计了一个新的嵌入式方案,消除了无线设置中的缓冲区膨胀。利用这个调度方案,我们设计了一个空中时间公平调度器,它在接入点运行,不需要对客户端进行任何更改。我们评估我们的解决方案,使用理论模型和实验在测试平台环境中,制定一个合适的分析模型的过程中。我们表明,我们的解决方案实现了一个数量级的减少负载下的延迟,大幅度提高多站吞吐量,以及几乎完美的空中时间公平性TCP和下游UDP流量。应用程序流量的进一步实验证实,该解决方案提供了显着的性能增益为现实世界的traffic.We开发的Linux内核中,我们的解决方案的生产质量的实现,该平台供电的大多数接入点以外的托管企业设置。该实现已被主流内核发行版接受,使其可用于部署在数十亿台运行Linux的设备上。
2017-03-06 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
CESNET-TimeSeries26: A Multi-Year Network Traffic Time Series Dataset for Annual Seasonality, Concept Drift, and Long-Term Anomaly Detection
Czech Technical University in Prague(布拉格捷克技术大学);CESNET a.l.e.
本文提出CESNET-TimeSeries26数据集,其包含CESNET3网络的4.5年流量数据,可用于评估预测模型的年度季节性适应性,解决现有数据集时长不足的问题。
2026-10-14 cs.AI cs.LG cs.NI
A Combination of Temporal Sequence Learning and Data Description for Anomaly-based NIDS
Ho Chi Minh City University of Technology, VNUHCM(越南胡志明市理工大学(越南国家大学胡志明市分校));Ho Chi Minh City University of Technology and Education(胡志明市工业大学)
基于异常的网络入侵检测系统(A-NIDS)通过对网络中正常行为的连续观察和建模,提供了一种通过偏离正常模型来发现可能威胁的方法。基于时间序列模型的网络流量分析具有利用网络流量中的包之间的关系并观察一段时间内的行为趋势的优点。它将生成具有良好功能的新序列,支持网络流量中的异常检测,并提供检测新攻击的能力。此外,针对正常数据建立描述的异常检测技术将是不平衡数据异常检测的有效方法。本文提出了一种基于长短期记忆(LSTM)结构的时间序列数据处理模型和一种基于支持向量数据描述(SVDD)的异常检测模型,以综合两者的优点。该模型有助于LSTM和SVDD中的参数通过联合优化方法进行联合训练。在KDD 99数据集上的实验结果表明,该模型对DoS和Probe攻击的检测率分别达到98.0%和99.8%。
2019-06-07 cs.LG cs.NI
Analysis of Internet Measurement Systems for Optimized Anomaly Detection System Design
虽然存在非常精确的硬件系统来测量互联网上的流量,但它们在分析任务中的广泛使用受到其高成本的限制。另一方面,存在较便宜的基于软件的系统,其广泛可用并且可用于执行许多简单的分析任务。使用这种软件系统的警告是,标准分析方法的应用不能盲目进行,因为从软件系统获得的测量中存在固有的失真。本文的目标是分析常见的互联网测量系统,发现这些扭曲的影响,共同的分析任务。然后,通过选择一个特定的任务,周期性信号检测,进行更深入的分析,其导出信号表示以捕获测量的显著特征,并开发为测量系统设计的周期性检测机制,其优于未针对测量系统优化的现有检测方法。最后,通过实验强调了理解输入流量、测量系统配置和检测方法性能之间关系的重要性。
2009-07-29 cs.NI
MamNet: A Novel Hybrid Model for Time-Series Forecasting and Frequency Pattern Analysis in Network Traffic
Columbia University(哥伦比亚大学);University of California, Irvine(加利福尼亚大学欧文分校);Washington University in St. Louis(圣路易斯华盛顿大学);University of Southern California(南加利福尼亚大学);Meta Platform Inc.(Meta平台公司);Northeastern University(东北大学)
本文提出混合模型 MamNet,结合 Mamba 时域建模与傅里叶变换频域特征提取,并在 UNSW-NB15 和 CAIDA 数据集上验证其网络流量异常检测性能优于主流模型。
2025-06-30 cs.LG cs.NI
CyberSentinel: Efficient Anomaly Detection in Programmable Switch using Knowledge Distillation
本文提出CyberSentinel,一种完全部署在可编程交换机数据平面的异常检测系统,利用知识蒸馏将深度无监督ML模型知识转化为iForest白名单规则,实现线速检测,吞吐量提升66.47%,延迟降低50%。
2024-12-21 cs.CR cs.NI
ARCADE: Adversarially Regularized Convolutional Autoencoder for Network Anomaly Detection
Technology and Innovation Institute(技术创新研究所)
随着异构IP连接设备数量和流量的增加,安全漏洞的可能性也在增加。未被发现的对这些漏洞的利用可能会带来严重的网络安全和隐私风险。基于异常的\acp{IDS}在网络安全中起着至关重要的作用。在本文中,我们提出了一种实用的基于无监督异常的深度学习检测系统,称为ARCADE(用于无监督网络异常检测的逆正则卷积自动编码器)。通过卷积\ac{AE},ARCADE使用网络流的几个初始数据包的原始字节子集自动构建正常流量的配置文件,以便在潜在的网络异常和入侵对网络造成更大损害之前有效地检测到它们。ARCADE只接受正常交通的训练。提出了一种对抗性训练策略,以正则化和降低\ac{AE}重构非正态分布网络流的能力,从而提高其异常检测能力。所提出的方法比最先进的深度学习方法更有效地进行网络异常检测。即使只检查网络流的两个初始数据包,ARCADE也可以有效地检测恶意软件感染和网络攻击。ARCADE提供的参数比基线少20倍,实现了更快的检测速度和反应时间。
2022-12-14 cs.CR cs.LG cs.NI
A Framework for the Systematic Assessment of Anomaly Detectors in Time-Sensitive Automotive Networks
本文提出一个基于仿真工具链的评估框架,用于在车载时间敏感网络中系统化、可复现地评估网络异常检测系统,并通过综合车载网络实验揭示了TSN流量与异常类型组合对检测性能的影响。
2024-05-02 cs.CR cs.NI
Spark-Based Anomaly Detection: the Case of Port and Net Scan
最常见的两种网络异常是端口和网络扫描。在这项工作中,我们提出并分析了传统的方法检测网络扫描和端口扫描所获得的结果。我们使用一个简单的基于阈值的算法,在流级别工作,并将其调整为在Apache Spark上执行。使用大数据分析技术可以显著缩短算法的执行时间,即使在当前的高速网络中也可以使用。本文介绍了我们的方法,并提出了一个实验分析的检测性能和执行时间。我们使用真实的流量跟踪MAWI存档和MAWILab异常检测器与我们的结果进行比较。分析表明,i)我们传统的基于阈值的算法已经能够实现比MAWILab更高的检测性能(在95%的最佳阈值情况下),目前被认为是该领域的黄金标准; ii)执行时间比跟踪时间短得多,这使得它也可以在实时的中使用。此外,对于每个流量跟踪,我们为研究社区提供了一个新的标记数据集,通过与MAWILab的比较进行验证,并扩展了其他未检测到的异常。我们每天在我们的项目网站上发布更新的数据集。
2019-05-30 cs.NI
CommunityWatch: The Swiss-Army Knife of BGP Anomaly Detection
我们提出CommunityWatch,一个开源系统,能够及时准确地检测BGP路由异常。CommunityWatch利用AS运营商通过BGP Communities属性在其通告路由上编码的元数据。BGP社区值缺乏标准化的语义,提供了附加广泛信息的灵活性,包括AS关系、位置数据和路由重分布策略。因此,解析和关联社区值及其动态使得能够检测和跟踪各种路由异常。我们通过检测三种不同类型的异常来展示CommunityWatch的功效:基础设施中断,路由泄漏和流量黑洞。
2018-06-19 cs.NI
GNN-enhanced Traffic Anomaly Detection for Next-Generation SDN-Enabled Consumer Electronics
National Taiwan University(国立台湾科技大学);National Yang Ming Chiao Tung University(阳明交通大学);National Dong Hwa University(东华大学)
本文提出基于GNN的网络异常检测框架GNN-NAD,结合SDN和CFN技术,提升下一代消费电子产品网络的安全性和效率。
2025-10-08 cs.CR cs.LG cs.NI
Federated Semi-Supervised Classification of Multimedia Flows for 3D Networks
University of Pisa(比萨大学);CNR, Institute of Informatics and Telematics(意大利国家研究委员会信息学与电信研究所);CNR, Institute of Information Science and Technologies(意大利国家研究委员会信息科学与技术研究所)
自动业务分类在业务工程中正日益变得重要,因为加密传输信息(例如,在HTTP加密隧道之后)防止中间结点访问端到端分组报头。然而,该信息对于流量整形、网络切片和服务质量(QoS)管理、防止网络入侵和异常检测至关重要。3D网络提供多条路由,可以保证不同级别的QoS。因此,服务分类和分离对于通过适当的网络干线向每个业务子流保证所需的QoS水平是必不可少的。本文提出了一种联合特征选择和特征约简学习方案,以半监督协作方式对网络流量进行分类。3D网络的联合网关有助于增强网络流量的全局知识,以提高异常和入侵检测以及新流量的服务识别的准确性。
2022-05-01 cs.LG cs.NI
Robust control tools for traffic monitoring in TCP/AQM networks
一些研究已经考虑了用于通信网络中的业务控制的控制理论工具,例如IP(互联网协议)路由器中的拥塞控制问题。在本文中,我们提出了设计一个线性观测器的时间延迟系统,以解决TCP/AQM(传输控制协议/主动队列管理)网络中的流量监测问题。由于存在多个传播延迟和时延,集合TCP/AQM被建模为一种特殊形式的多时延系统。因此,适当的鲁棒控制工具,如二次分离,构造一个TCP流量估计的延迟相关观测器。请注意,所开发的机制也使异常检测问题的一类拒绝服务(拒绝服务)攻击。最后,通过网络仿真器NS-2和仿真实验验证了该方法的有效性。
2009-02-05 cs.NI
Network Traffic Characteristics of IoT Devices in Smart Homes
了解物联网设备的网络流量特征在提高物联网设备的性能和安全性方面起着至关重要的作用,包括物联网设备识别,分类和异常检测。尽管许多现有的研究工作已经开发出基于机器学习的算法来帮助解决提高物联网设备安全性的挑战,但它们都没有提供关于物联网设备网络流量特征的详细研究。在本文中,我们收集并分析了一个典型的灵巧家庭环境中产生的网络流量,该环境由一组常见的物联网(和非物联网)设备组成。我们从三个互补的方面分析物联网设备的网络流量特征:物联网设备连接的远程网络服务器和端口号,流级流量特征(如流持续时间)和数据包级流量特征(如数据包到达间隔时间)。我们的研究为物联网设备的操作和行为特征提供了重要见解,这有助于为物联网设备开发更有效的安全和性能算法。
2021-09-04 cs.NI
Feature Extraction for Novelty Detection in Network Traffic
Columbia University(哥伦比亚大学);University of Chicago(芝加哥大学)
数据表示在机器学习中的新颖性检测(或"异常检测“)方法的性能中起着关键作用。网络流量的数据表示往往决定了这些模型的有效性,就像模型本身一样。网络运营商需要检测的各种各样的新事件(例如,攻击、恶意软件、新应用程序、业务需求的变化)引入了广泛的可能模型和数据表示的可能性。在每个场景中,从业者都必须花费大量的精力来提取和设计对该情况或应用程序最具预测性的功能。虽然异常检测在计算机网络中得到了很好的研究,但许多现有的工作开发了假定特定表示的特定模型-通常是IPFIX/NetFlow。然而,其他表示可能会导致更高的模型准确性,可编程网络的兴起现在使得探索更广泛的表示变得更加实际。为了促进这种探索,我们开发了一个系统的框架,开源工具包和公共Python库,使其能够轻松地从网络流量中提取和生成特征,并在最流行的现代新奇检测模型中对这些表示进行端到端的评估。我们首先开发并公开发布了一个开源工具,一个附带的Python库(NetML)和端到端管道,用于网络流量中的新奇检测。其次,我们将此工具应用于网络中的五个不同的新奇检测问题,从攻击检测到新颖设备检测,涵盖了一系列场景。我们的研究结果一般的见解和指导方针,哪些功能似乎更适合于特定的情况。
2021-06-10 cs.LG cs.NI
Global Modeling and Prediction of Computer Network Traffic
我们开发了一个概率框架的全球建模的流量在计算机网络。该模型将现有的单链路(流)流量模型与网络上的路由相结合,以捕获全局流量行为。它产生于一个有限的近似的流量波动的时间尺度和用户共享网络的数量增长。所得到的概率模型由高斯和/或稳定的无限方差分量组成。它们可以用某些“时空”随机场来简洁地描述和处理。该模型对模拟和真实数据进行了验证。然后,它被应用到预测流量波动未观察到的链路从一组有限的观察到的链接。此外,异常检测和网络管理的应用进行了简要讨论。
2010-05-24 cs.NI math.ST stat.TH
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
Detecting Clusters of Anomalies on Low-Dimensional Feature Subsets with Application to Network Traffic Flow Data
The Pennsylvania State University(宾夕法尼亚州立大学)
在各种应用中,人们希望检测异常数据样本的组,其中一个组潜在地在完整测量的特征集的低维子集上表现出其相似性(相对于参考模型)。样本可能只是弱非典型的个别,而他们可能是强烈的非典型时,共同考虑。是什么使得这个组异常检测问题相当具有挑战性的是,它是一个先验未知的特征的子集共同体现了一个特定的异常组。此外,不知道在给定的数据批次中存在多少异常组。在这项工作中,我们开发了一个组异常检测(GAD)计划,以确定样本的子集和子集的功能,共同指定一个异常的集群。我们将我们的方法应用于网络入侵检测,以检测僵尸网络和对等流集群。与以前的研究不同,我们的方法捕获和利用测量功能之间可能存在的统计依赖关系。真实世界的网络流量数据的实验表明,我们所提出的系统的优势,并强调利用特征依赖结构的重要性,相比以前的研究中的特征(或测试)的独立性假设。
2015-06-10 cs.CR cs.LG cs.NI
Enhancing Anomaly-Based Intrusion Detection Systems with Process Mining
DIETI University of Naples Federico II(DIETI那不勒斯费德里科二世大学)
本文提出利用流程挖掘技术提升基于异常的入侵检测系统,通过提供基于流程的警报严重性评分和解释,优先处理关键警报并保持网络行为可见性,同时减少干扰。
2026-04-20 cs.CR cs.LG cs.NI
Adaptive Dual-Layer Web Application Firewall (ADL-WAF) Leveraging Machine Learning for Enhanced Anomaly and Threat Detection
Center for Informatics Science (CIS), School of Information Technology and Computer Science, Nile University(尼罗河大学信息技术与计算机科学学院信息学中心)
针对传统WAF难以区分恶意与合法流量、检测效果有限的问题,本文提出双层机器学习架构的ADL-WAF,经五个基准数据集验证,其检测准确率达99.88%、精确率100%,可有效降低误报、提升Web应用安全防护能力。
2025-11-16 cs.CR cs.LG cs.NI
Evaluating ML-Based Anomaly Detection Across Datasets of Varied Integrity: A Case Study
Budapest University of Technology and Economics(布达佩斯技术与经济大学);HUN-REN-BME Information Systems Research Group(HUN-REN-BME信息系统研究组)
本文通过引入基于 NFStream 处理的 CICIDS-2017 精炼数据集 NFS-2023-nTE 和 NFS-2023-TE,对比随机森林算法在不同质量数据集上的异常检测性能,发现 RF 对数据完整性具有较强鲁棒性,并强调数据集生成方法严谨性的重要性。
2024-06-25 cs.LG cs.NI
Seek and Push: Detecting Large Traffic Aggregates in the Dataplane
如果能够实时的检测到高流量的集群,则可以很容易地满足诸如带宽提供、计费和网络异常检测等高级目标。本文介绍了弹性Trie,一种替代方法,利用嵌入式数据平面架构。我们的解决方案是一种新的基于推送的网络监控方法,可以在数据平面内检测高流量集群。从交换机到控制器的数据可以只根据需要发送,避免传输或处理不必要的数据。此外,数据平面可以迭代地细化负责的IP前缀,从而允许控制器接收灵活的粒度信息。我们报告并讨论了我们的P4为基础的原型的评估,显示我们的解决方案能够检测(95%的精度),分层重打击者和超级传播者分别使用不到8KB或80KB的活动内存。最后,Elastic Trie可以识别网络流量模式的变化,这是拒绝服务攻击事件的症状。
2018-05-15 cs.DS 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
Detecting Contextual Network Anomalies with Graph Neural Networks
Barcelona Neural Networking Center(巴塞罗那神经网络中心);Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);Telefónica Research(西班牙电信研究公司)
本文提出基于 GNN 的网络流量上下文异常检测方法,在 Abilene 六个月真实数据上相较 PCA、EWMA、RNN 展现出互补检测能力,并经专家验证与案例分析确认其有效性。
2023-12-11 cs.AI cs.LG cs.NI
Distributed detection/localization of change-points in high-dimensional network traffic data
我们提出了一种新的方法,分布式统计检测的变化点在大容量的网络流量。我们认为更具体的检测和识别分布式拒绝服务(DDoS)攻击的目标的任务。该算法称为DTopRank,通过聚集一组网络监视器中收集的部分信息来执行分布式网络异常检测。为了解决海量数据,同时限制网络内的通信开销,该方法结合了记录过滤在监视器级和一个非参数秩检验的双重删失时间序列在中央决策站点。的DTopRank算法的性能都说明了合成数据,以及从一个主要的互联网服务提供商提供的流量跟踪。
2011-09-20 cs.NI math.ST stat.AP
Structural Analysis of Network Traffic Matrix via Relaxed Principal Component Pursuit
网络流量矩阵在网络运营管理中有着广泛的应用。因此,分析网络流量矩阵的组成和结构至关重要,为此提出了几种数学方法,如主成分分析(PCA)。在本文中,我们首先认为,PCA分析流量矩阵是由大量的异常污染表现不佳,然后提出了一个新的分解模型的网络流量矩阵。根据该模型,我们通过将网络流量矩阵分解为三个子矩阵,即确定性流量、异常流量和噪声流量矩阵来进行结构分析,这类似于先前在[13]中研究的鲁棒主成分分析(RPCA)问题。基于松弛主成分追踪(Relaxed PCP)方法和加速邻近梯度(Accelerated Proximal Gradient,APG)算法,提出了一种分解流量矩阵的迭代方法,并通过实验验证了该方法的有效性和灵活性。最后,我们进一步讨论了确定性和噪声业务的几个特点。我们的研究开发了一种新的方法的流量矩阵的结构分析问题,这是强大的大体积异常的污染。
2012-03-06 cs.IT cs.NI cs.PF