Improving Network Anomaly Detection via Choquet-Integral-Based Feature Aggregation
网络异常检测对于保障网络安全至关重要，但高维网络流量数据常带来特征冗余问题，增加计算开销并可能降低模型性能。本文提出一种基于Choquet积分的特征聚合框架，旨在通过自适应加权与增量特征选择相结合的方式，有效聚合高维特征，减少冗余并提升检测
#network-anomaly-detection
共收录 3 条相关情报。
← 返回所有主题On the Impact of Entropy-based Features
该论文研究如何利用基于熵的特征来增强基于机器学习的网络异常检测。传统的统计特征（如均值、方差）在捕捉网络流量模式的高变异性和多样性方面存在不足，而熵可以量化数据分布的分散程度，从而有效表征流量的可变性。作者提出将熵特征作为传统描述符的补充，
Cyber Dynamics I: Finite Macrostates for Behavioral Anomaly Detection in Network Telemetry
该论文提出了一种基于有限维宏观状态（Finite Macrostates）的网络安全行为异常检测框架。传统基于熵的异常检测方法通常将熵视为标量统计量，仅关注狭窄的可观测量，而忽略了网络系统的整体行为状态空间。作者构建了一个有限维的宏观状态表