UGR'16 Tensor Time-Series Dataset
Notice bibliographique
Résumé
This paper presents an online anomaly detection system capable of handling operational network traffic of large networks (such as an ISP). We also aim at an effective practical anomaly diagnosis to collect actionable intelligence enabling an automated response. To achieve these objectives, we use the following approach: (1) We model the network status as a stream of tensors where each cell models a time series in the network. (2) We detect anomalous tensors at time steps by using an unsupervised tensor representation learning model. (3) We produce actionable intelligence by diagnosis of anomaly detection results and by identifying the abnormal time series that are most likely the causes of each anomaly in the tensor, and (4) we further analyze the traffic corresponding to the anomalous time-series by an innovative method to extract and isolate the attack traffic. (5) We provide solutions for the challenges of streaming data anomaly detection such as large volume, high velocity, seasonality, and concept drift. We apply our approach to the complete test set of UGR data to show its practicality and effectiveness. Not only can we detect and isolate most of the labeled attack traffic, but we also identify many organic attack activities in the UGR data. We report our results on the complete UGR dataset that shows high detection and isolation rate for labelled attacks in the dataset. We also report some of the organic attacks detected (labeled as background in the dataset). Our analysis shows that the isolated background traffic represent interesting and potentially malicious behaviour and can provide invaluable insight for cyber-threat researchers.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,494 | 0,225 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».