基于生成对抗网络的互联网行为异常预测

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 网络安全 网络安全

背景情况:

• 互联网应用程序产生大量的用户行为数据.
• 员工的异常互联网活动对信息安全和数据完整性构成重大风险.
• 手动标记大数据以检测异常是昂贵和低效的.

研究的目的:

• 提出一个无监督的生成模型,APIBGAN,用于有效地预测互联网行为的异常.
• 为了应对大数据异常检测中高标签成本的挑战.
• 开发一种强大的方法来识别员工在互联网上的异常活动.

主要方法:

• 开发了基于生成对抗网络 (APIBGAN) 的互联网行为异常预测.
• 使用数据生成生成对抗网络 (DGGAN) 学习真实数据分布并生成标记数据.
• 采用基于距离的异常预测方法,使用生成的数据作为基准.
• 在三类企业员工互联网行为数据上训练APIBGAN.

主要成果:

• 在不同的数据集上,APIBGAN实现了87.23%,85.13%和83.47%的预测得分.
• 这些得分超过了隔离森林比较方法所取得的81.35%.
• 实验结果验证了APIBGAN在使用生成对抗网络 (GAN) 预测互联网行为异常值方面的有效性.

结论:

• APIBGAN有效地使用由简单的完全连接的神经网络组成的GAN预测互联网行为异常.
• 该模型表明,在具有大型,难以标记的数据集的场景中,对异常预测具有广泛的适用性.
• 这项研究为基于GAN的异常预测技术提供了宝贵的见解.