PulseAugur
中
实时 06:08:50
English(EN) Learning to Detect Cyber Attacks: Neural Anomaly Detection for Cybersecurity with Theoretical Insights

新的神经网络方法可在无真实异常数据的情况下增强网络攻击检测能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的基于神经网络的异常检测方法，用于网络安全领域，该方法在训练时不需要先验的异常分布知识或真实的异常样本。该方法仅使用正常样本进行分类器训练，并辅以合成异常，已被证明可以学习正常区域的边界。该方法在各种异常检测任务中表现出鲁棒的性能，包括网络入侵检测，与现有的最先进基线相比，它显著提高了对新型网络攻击的识别能力。 AI

影响 该方法可以通过在无需真实世界异常数据的情况下进行训练来改进新型网络威胁的检测。

排序理由 该集群包含一篇学术论文，详细介绍了一种用于网络安全异常检测的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的神经网络方法可在无真实异常数据的情况下增强网络攻击检测能力

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Tian-Yi Zhou, Matthew Lau, Jizhou Chen, Wenke Lee, Xiaoming Huo ·

    学习检测网络攻击：具有理论见解的网络安全神经异常检测

    arXiv:2409.08521v2 Announce Type: replace Abstract: In cybersecurity practice, new forms of cyberattacks continuously emerge, deliberately designed to evade defense systems that rely on previously observed behaviors. Motivated by this challenge, we propose a neural network-based …

相关话题