AED：一种适用于大数据环境中无异常样本情况下的入侵检测新方法

《Journal of Data and Information Quality》：AED: A Novel Approach for Intrusion Detection without Abnormal Samples in Big Data Environment

针对多媒体物联网中异常流量检测样本不足的问题，提出基于深度自编码器和差异比较的AED方法，仅需正常样本即可有效检测网络入侵，实验表明其在准确率、召回率等指标上优于传统机器学习方法。

　　

摘要

多媒体设备（包括传感器、摄像头和手机）的迅速发展推动了“多媒体物联网”（IoMT）的普及，产生了大量的以应用为导向的多媒体数据。与此同时，多媒体大数据环境中的网络安全问题也随之增加。网络入侵检测（NID）系统在防范针对多媒体平台的网络攻击方面展现出了其强大的能力。然而，现有的基于机器学习或深度学习分类器的入侵检测方法在现实场景中可能会因为缺乏用于训练的异常流量样本而失效。我们提出了一种新的入侵检测方法，该方法基于深度自动编码器（AutoEncoder）和差异比较技术，仅在训练阶段需要正常流量样本。我们在两个真实世界的数据集上进行了广泛的实验，以评估所提出的AED方法的有效性。实验结果表明，AED在准确性、精确度、召回率和F1分数方面均优于三类基线方法。