期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
融合动态图嵌入和Transformer自编码器的网络异常检测
1
作者
张安勤
丁志锋
《计算机工程》
北大核心
2025年第4期47-56,共10页
网络异常检测的目的在于及时识别并响应网络中的恶意活动和潜在威胁。大多数基于图嵌入的异常检测方法主要用于静态图,忽略了细粒度的时间信息,无法捕获动态网络行为的连续性,从而降低了网络异常检测性能。为了提高动态网络异常检测的...
网络异常检测的目的在于及时识别并响应网络中的恶意活动和潜在威胁。大多数基于图嵌入的异常检测方法主要用于静态图,忽略了细粒度的时间信息,无法捕获动态网络行为的连续性,从而降低了网络异常检测性能。为了提高动态网络异常检测的效率和准确性,提出一个融合动态图嵌入和Transformer自编码器的网络异常检测方法。该方法利用时间游走的图嵌入技术捕获网络拓扑结构和细粒度的时间信息,结合对比损失的Transformer自编码器来优化节点嵌入表示并捕获长期依赖和全局信息,增强了模型对动态网络的感知能力,能更好地捕捉动态网络中随时间变化的事件,识别网络中的恶意行为。在公开的网络安全领域数据集上进行的大量实验结果表明,该方法在LANL-2015数据集上的真阳率(TPR)为94.3%、假阳率(FPR)为5.7%、曲线下面积(AUC)为98.3%,在OpTC数据集上的TPR为99.9%、FPR为0.01%、AUC为99.9%,异常检测结果优于基准方法。上述结果说明了该方法可以有效地学习动态网络中的拓扑和长短期时间依赖信息,识别网络中的异常行为。
展开更多
关键词
动态图嵌入
Transformer自编码器
网络异常检测
恶意行为
长短期时间依赖
在线阅读
下载PDF
职称材料
题名
融合动态图嵌入和Transformer自编码器的网络异常检测
1
作者
张安勤
丁志锋
机构
上海电力大学计算机科学与技术学院
汕头大学地方政府发展研究所
出处
《计算机工程》
北大核心
2025年第4期47-56,共10页
基金
广东省人文社会科学重点研究基地——汕头大学地方政府发展研究所开放基金(07422002)。
文摘
网络异常检测的目的在于及时识别并响应网络中的恶意活动和潜在威胁。大多数基于图嵌入的异常检测方法主要用于静态图,忽略了细粒度的时间信息,无法捕获动态网络行为的连续性,从而降低了网络异常检测性能。为了提高动态网络异常检测的效率和准确性,提出一个融合动态图嵌入和Transformer自编码器的网络异常检测方法。该方法利用时间游走的图嵌入技术捕获网络拓扑结构和细粒度的时间信息,结合对比损失的Transformer自编码器来优化节点嵌入表示并捕获长期依赖和全局信息,增强了模型对动态网络的感知能力,能更好地捕捉动态网络中随时间变化的事件,识别网络中的恶意行为。在公开的网络安全领域数据集上进行的大量实验结果表明,该方法在LANL-2015数据集上的真阳率(TPR)为94.3%、假阳率(FPR)为5.7%、曲线下面积(AUC)为98.3%,在OpTC数据集上的TPR为99.9%、FPR为0.01%、AUC为99.9%,异常检测结果优于基准方法。上述结果说明了该方法可以有效地学习动态网络中的拓扑和长短期时间依赖信息,识别网络中的异常行为。
关键词
动态图嵌入
Transformer自编码器
网络异常检测
恶意行为
长短期时间依赖
Keywords
dynamic graph embedding
Transformer autoencoder
network anomaly detection
malicious behavior
long and short-term time-dependence
分类号
TP393 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
融合动态图嵌入和Transformer自编码器的网络异常检测
张安勤
丁志锋
《计算机工程》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
