An Anomalous Behavior Detection Method for Complex Networks Based on Image Processing and Protocol Evolution Modeling
Notice bibliographique
Résumé
With the rapid development of information technology, complex networks are increasingly vulnerable to abnormal behaviors such as malicious attacks and data breaches due to their growing scale and structural complexity.Traditional detection methods often struggle in dynamic network environments due to insufficient utilization of temporal features and lack of protocol evolution analysis, resulting in suboptimal detection accuracy.Existing studies based on conventional machine learning typically ignore the temporal characteristics of network behaviors and the evolutionary nature of protocols.Similarly, image processing techniques alone fail to incorporate protocol-level information, while static protocol models cannot adapt to dynamically changing scenarios, leading to incomplete extraction of essential features of anomalous behaviors.To address these challenges, this paper proposes a novel detection method that integrates image processing with protocol evolution modeling.The main contributions are as follows: (1) A method for visual mapping of temporal network behaviors is designed, converting dynamic behaviors into interpretable image features; (2) A protocol evolution prediction model is constructed, combining time series analysis with machine learning techniques to capture the dynamics of protocol changes; (3) A multimodal behavior recognition model is developed, integrating image features with protocol evolution features to accurately detect anomalous behaviors.By leveraging cross-disciplinary techniques, this study overcomes the limitations of existing approaches in temporal feature utilization, dynamic protocol modeling, and multimodal data fusion.It offers a novel framework that supports both visual analysis and dynamic mechanism modeling, contributing to improved accuracy and robustness in detecting anomalous behaviors in complex networks.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».