Resumen

La tarea de detección de anomalías no supervisada basada en datos de alta dimensión o multidimensionales ocupa una posición muy importante en el campo del aprendizaje automático y las aplicaciones industriales; especialmente en el aspecto de la seguridad de redes, la detección de anomalías en los datos de red es particularmente importante. La clave para la detección de anomalías es la estimación de densidad. Aunque los métodos de reducción de dimensiones y estimación de densidad han avanzado mucho en los últimos años, la mayoría de los métodos de reducción de dimensiones son difíciles de retener la información clave de los datos originales o multidimensionales. Estudios recientes han demostrado que el autoencoder profundo (DAE) puede resolver bien este problema. Para mejorar el rendimiento de la detección de anomalías no supervisada, proponemos un esquema de detección de anomalías basado en un autoencoder profundo (DAE) y métodos de agrupamiento. El autoencoder profundo se entrena para aprender la representación comprimida de los datos de entrada y luego se alimenta al en

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Detección no supervisada de anomalías; Datos de alta dimensionalidad; Seguridad de redes; Estimación de la densidad; Autoencoder profundo (DAE); Métodos de clustering
• Keywords:Unsupervised anomaly detection; High-dimensional data; Network security; Density estimation; Deep autoencoder (DAE); Clustering methods