基于GAN处理网络异常的评估数据集

网络入侵总是会给网络带来严重威胁，即系统瘫痪、信息泄露和经济损失。为了保护网络安全，人们提出了基于生成式对抗网络（GAN）的异常检测方法来阻止网络入侵。然而，现有的基于生成式对抗网络的异常评分方法是为数据合成而设计的，在异常检测任务中的性能并不理想。因此，其低效和不稳定的性能使得检测任务仍然具有相当的挑战性。为了解决这些问题，提出UNSWNB-15数据集来进行异常检测来解决上述问题，该数据专门用于异常识别而非用于数据合成。具体来说，本研究使用的数据集包括网络流量，时间覆盖数月，流量数据精度精确到分钟级。数据来源于对真实的现代正常活动和合成的当代攻击活动的混合模拟生成。数据集经过预处理，包括one-hot编码、标签转换、划分训练集和测试集、转换数据格式、数据筛选等操作得到可供模型训练的数据。模型利用新的训练策略从数据集中的正常数据中更好地学习少数异常分布，从而提高对异常网络行为的检测精度。因此，提出的方法可以确保检测性能，并克服 GAN 训练过程中的不稳定问题。在UNSW-NB15数据集中的实验结果表明，数据集适用于模型对网络异常的检测，具备良好的实用性。

搜集汇总

背景与挑战

背景概述

该数据集基于UNSW-NB15数据集，专门用于评估基于生成式对抗网络（GAN）的网络异常检测方法。它通过混合真实正常活动和合成攻击活动生成网络流量数据，并经过预处理以支持模型训练，旨在提高异常检测精度并克服GAN训练中的不稳定问题。实验验证表明，该数据集在网络异常检测中具备良好的实用性。