基于因式分解的属性残差摘要方法在自适应边缘式自主系统安全中的应用

《ACM Transactions on Autonomous and Adaptive Systems》：Factorization-based Attribute Residual Summary for Adaptive Edge-based Autonomous System Security

边缘自主系统的边际特性导致安全操作面临重大风险，流量异常检测至关重要。现有方法忽略流量属性与异常类型的关系，尤其无法检测仅少数属性呈现统计异常的情况。我们提出基于非负因子分解的属性残差摘要和非参数统计框架，前者通过张量线性表示构建属性残差摘要，有效捕捉少数属性异常；后者实时累积比较统计证据实现自适应监测。实验表明，该方法在准确性和实时性上优于现有方案，特别是在处理仅少数属性呈现统计异常的攻击时效果显著。

　　

摘要

由于边缘环境的特殊性，基于边缘的自主系统在安全操作方面面临着显著的风险。在基于边缘的自主系统中检测流量异常对于确保这些系统的安全性变得越来越重要。现有研究未能充分考虑流量属性与异常类型之间的关系。特别是，现有解决方案在检测主要仅在一些属性上表现出统计特征的异常时存在困难。为了解决这个问题，我们提出了一种基于非负分解的属性残差摘要方法和一种非参数统计框架，用于基于边缘的自主系统的自适应安全监控。具体来说，引入了依赖于乘法更新规则的非负分解方法来提取属性特征。通过张量线性表示构建属性残差摘要，即使只有少数流量属性受到影响，该方法也能很好地描述统计差异，从而实现对各种攻击的自适应安全监控。随后，开发了一种非参数统计框架，通过累积和比较每个统计证据来实现实时检测。使用真实世界流量追踪数据集进行的广泛实验验证了我们的方法的适应性、准确性、实时性能和优越性，尤其是在处理仅在一些流量属性上表现出统计特征的异常时。