Resumen

El desequilibrio de clases es un problema común en la detección de amenazas en redes. El sobremuestreo de la clase minoritaria se considera una medida popular al generar suficientes nuevas muestras de la clase minoritaria. La red generativa adversarial (GAN) es un modelo generativo típico que puede generar cualquier cantidad de muestras artificiales de la clase minoritaria, las cuales son cercanas a los datos reales. Sin embargo, es difícil entrenar una GAN y es casi imposible lograr el equilibrio de Nash. Por lo tanto, con el fin de mejorar la estabilidad del entrenamiento de una GAN para el sobremuestreo y la detección de amenazas en redes, en este artículo se propone un modelo de sobremuestreo basado en WGAN convergente llamado WGAN convergente (CWGAN). El proceso de entrenamiento de CWGAN contiene múltiples iteraciones. En cada iteración, las épocas de entrenamiento del discriminador son dinámicas, lo cual es determinado por la convergencia de la función de pérdida del discriminador en las dos últimas

• 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:Desequilibrio de clases; Detección de amenazas en la red; Sobremuestreo; Red generativa adversarial; Estabilidad del entrenamiento; Convergencia
• Keywords:Class imbalance; Network threat detection; Oversampling; Generative adversarial network; Training stability; Convergence