AESMOTE: Adversarial Reinforcement Learning with SMOTE for Anomaly Detection
Notice bibliographique
Résumé
Intrusion Detection Systems (IDSs) play a vital role in securing today's Data-Centric Networks.In a dynamic environment that is vulnerable to various types of attacks, novel, fast, and robust solutions are in demand to handle fast changing threats and thus the ever-increasing difficulty of detection.In this dissertation, we present a novel reinforcement learning based anomaly detection algorithm that further enables anomaly-based intrusion detection.As anomaly detection frameworks are mostly supervised learning based, which seeks the advantage of stable predictions and good performance with pre-recorded datasets, we have further explored the performance of a combined framework of joining a reinforcement learning algorithm with classimbalance techniques.The motivation of this approach is to not only exploit the auto-learning ability from the reinforcement learning loop, but also correct the classimbalance problem, which is pervasive in existing solutions.Our proposed solution is developed based on AE-RL [1].We further introduce an adapted SMOTE to address the class-imbalance problem while remodel the behaviors of the environmental agent for better performance.Experiments are conducted using NSL-KDD [2] datasets.Comparative evaluation and their results are presented and analyzed.Using techniques such as SMOTE, ROS, NearMiss1 and NearMiss2, performance measures obtained from our simulations have led us to recognize specific performance trends.The proposed model AESMOTE outperforms the original AE-RL in several cases.Experiment results show an Accuracy greater than 0.82 and F1 greater than 0.824.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».