Ref
Nicolau, Miguel, and James McDermott. "Learning neural representations for network anomaly detection." IEEE transactions on cybernetics 49.8 (2018): 3074-3087.
摘要
提出了改进网络异常检测的隐变量表征模型。众所周知的异常检测算法常常面临网络数据高维、稀疏等问题，缺乏用于训练、模型选择和超参数调优的异常数据。
我们的方法是为经典自动编码器（AE）和VAE引入新的正则项，迫使正常的数据进入以瓶颈单元激活的非饱和区域的原点为中心的一个非常狭小的区域。这些训练正常数据的AEs将正常点推向原点，而与正常数据不同的异常点将远离正常区域。这些模型与普通正则化AE、稀疏AE和收缩AE有很大的不同，模型的正则化使其隐特征对输入数据的变化不敏感。瓶颈层的特征空间作为新数据的表征。一些单类学习算法被用于评估提出的模型。实验证明，我们的模型有助于这些分类器在高维稀疏网络数据集上高效一致地执行，即使训练点相对较少。更重要的是，模型可以最小化模型选择对分类器的影响，因为它们的性能对大范围的超参数设置不敏感。
