...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Tsinghua Science and Technology >A hybrid unsupervised clustering-based anomaly detection method
【24h】

A hybrid unsupervised clustering-based anomaly detection method

机译：一种混合无监督的基于聚类的异常检测方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In recent years, machine learning-based cyber intrusion detection methods have gained increasing popularity. The number and complexity of new attacks continue to rise; therefore, effective and intelligent solutions are necessary. Unsupervised machine learning techniques are particularly appealing to intrusion detection systems since they can detect known and unknown types of attacks as well as zero-day attacks. In the current paper, we present an unsupervised anomaly detection method, which combines Sub-Space Clustering (SSC) and One Class Support Vector Machine (OCSVM) to detect attacks without any prior knowledge. The proposed approach is evaluated using the well-known NSL-KDD dataset. The experimental results demonstrate that our method performs better than some of the existing techniques.
机译：近年来，基于机器学习的网络入侵检测方法已经增加了普及。新攻击的数量和复杂性继续上升;因此，有效和智能解决方案是必要的。无监督的机器学习技术对入侵检测系统特别吸引，因为它们可以检测已知和未知类型的攻击以及零日攻击。在目前的论文中，我们介绍了一个无监督的异常检测方法，它将子空间聚类（SSC）和一个类支持向量机（OCSVM）组合以检测攻击，而无需任何先验知识。使用众所周知的NSL-KDD数据集进行评估所提出的方法。实验结果表明，我们的方法比现有技术更好。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号