Опубликовано: 15.01.20231 Просмотры0 Загрузки
Обнаружение экономических вторжений заключается в нахождении несанкционированной сетевой активности и определении того, являются ли данные ненормальной передачей по Сети. Недавние исследования были сосредоточены на механизмах обучения с частичным контролем для выявления аномального сетевого трафика, чтобы рассматривать как меченый, так и не содержащий метки в промышленности. Генерация экономического сдвига играет очень важную роль в создании баланса между сверхчувствительным поколением и внешним равновесием. Однако обучение в режиме реального времени и классификация сетевого трафика остаются сложными задачами, поскольку они могут привести к ухудшению общего набора данных и трудностям в предотвращении атак. Кроме того, существующие исследования в области обучения с частичным контролем могут не дать всестороннего анализа результатов эксперимента. Чтобы решить эти проблемы, мы предлагаем XA-GANomaly - новую технику объяснимого адаптивного обучения с частичным контролем с использованием GANomaly - модели обнаружения аномалий изображения, которая последовательно обучает небольшие подмножества динамическим способом. Во-первых, мы представляем GANomaly на основе глубокой нейронной сети (DNN) для обучения с частичным контролем. Во-вторых, мы представляем предложенный нами адаптивный алгоритм для GANomaly на основе DNN, проверенный на четырёх подмножествах адаптивного набора данных. Наконец, мы демонстрируем систему мониторинга, которая включает в себя три объяснимых метода: SHapley Additive exPlanations (SHAP), визуализацию ошибок реконструкции и стохастическое вложение соседей с t-распределением (t-SNE) для эффективного предупреждения атак на данные трафика на каждом этапе разработки и проектирования объектов, обучения с частичным контролем и адаптивного обучения. По сравнению с другими методами классификации по одному классу предлагаемая GANomaly на основе DNN позволяет получить более высокие баллы, чем 13 % и 8 % баллов F1, точность 4,17 % и 11,51 % для наборов данных NSL-KDD и UNSW-NB15 соответственно. Кроме того, наши эксперименты по адаптивному обучению показывают в основном улучшенные результаты по сравнению с исходными значениями, и мы предусматриваем систему анализа и мониторинга, основанную на сочетании трёх объяснимых методологий. В результате предло-женный нами метод имеет потенциал для применения в реальной промышленности, а будущие исследования будут посвящены обработке несбалансированных наборов данных в реальном времени в различных сценариях. Суть таких сдвигов в экономической парадигме можно лучше понять, применив различные триггеры в функциональном взаимодействии от устройства к устройству. Это возможно благодаря созданию контролируемой парадигмы, которая лучше воспринимает глобальные экономические сдвиги.
