使用isolation forest进行dns网络流量异常检测
代码如下，测试发现，是否对输入数据进行归一化/标准化对于结果没有影响： 输出样例： 输入数据样例（已经提取了特征）： 参考：http://scikit-learn.org/stable/modules/generated ...
原文：使用GAN进行异常检测——可以进行网络流量的自学习哇，哥哥，人家是半监督，无监督的话，还是要VAE，SAE。
实验了效果，下面的还是图像的异常检测居多。 https: github.com LeeDoYup AnoGAN https: github.com tkwoo anogan keras 看了下，本质上是半监督学习，一开始是有分类模型的。代码如下，生产模型和判别模型： generator model define def generator model : inputs Input , fc Den ...
2018-11-02 09:17 0 2335 推荐指数：
相关推荐
无监督异常检测之卷积AE和卷积VAE
尝试用卷积AE和卷积VAE做无监督检测，思路如下： 1.先用正常样本训练AE或VAE 2.输入测试集给AE或VAE，获得重构的测试集数据。 3.计算重构的数据和原始数据的误差，如果误差大于某一个阈值，则此测试样本为一样。 对于数据集的描述如下： 本数据集一共有10100个样本，每个样本 ...
GAN网络无监督对抗网络
1、在MINST数据集中，选出一个样本，输入数字标签，输出图像，并让输出的图像与样本图像尽可能相似，总误差最小化； 2、同上，只不过并不直接比较输出和样本相似性，而是让一个已训练好的手写数字识别网络来判断这个伪造的图像是几； 3、DCGAN，同时训练一个生成器一个判别器。每个时刻随机采样一个向量 ...
【机器学习】无监督学习Autoencoder和VAE
众所周知，机器学习的训练数据之所以非常昂贵，是因为需要大量人工标注数据。 autoencoder可以输入数据和输出数据维度相同，这样测试数据匹配时和训练数据的输出端直接匹配，从而实现无监督训练的效果。并且，autoencoder可以起到降维作用，虽然输入输出端维度相同，但中间层可以维度很小 ...
无监督异常检测之LSTM组成的AE
我本来就是处理时间序列异常检测的，之前用了全连接层以及CNN层组成的AE去拟合原始时间序列，发现效果不佳。当利用LSTM组成AE去拟合时间序列时发现，拟合的效果很好。但是，利用重构误差去做异常检测这条路依旧不通，因为发现异常曲线的拟合效果也很好……算了，这次先不打算做时间序列异常检测了。在这里 ...
基于PU-Learning的恶意URL检测——半监督学习的思路来进行正例和无标记样本学习
PU learning问题描述 给定一个正例文档集合P和一个无标注文档集U（混合文档集），在无标注文档集中同时含有正例文档和反例文档。通过使用P和U建立一个分类器能够辨别U或测试集中的正例文档 【即想要精确分类U或测试集中的正例文档和反例文档】 应用： 从多个无标注 ...
Deep Learning 学习随记（四）自学习和非监督特征学习
接着看讲义，接下来这章应该是Self-Taught Learning and Unsupervised Feature Learning。 含义： 从字面上不难理解其意思。这里的self-taught learning指的是用非监督的方法提取特征，然后用监督方法进行分类。比如用稀疏自编 ...
使用WireShark进行网络流量安全分析
(用来表示端口)。如果没有指定的话,默认为host Dir:这种限定符表示数据包传输的方向,常见的有sr ...