典型文献
基于GAN-Cross的工控系统类不平衡数据异常检测
文献摘要：
工业控制系统异常检测存在类不平衡问题,导致通用分类器很难实现异常数据的精准识别.目前,针对类不平衡数据,常用采样方法实现各类数据的平衡,以提高分类器性能.但传统采样方法对数据集特征敏感,采样效果稳定性差,异常检测精度波动大.文章基于生成式对抗网络(Generative Adversarial Network,GAN),提出一种GAN-Cross采样模型,该模型可以学习目标数据的概率分布,并生成相似概率分布的数据,从而改善数据的平衡性.同时,文章在生成器和判别器中增加了交叉层,从而更好地实现特征提取.最后文章将该模型与随机森林、K-近邻、高斯朴素贝叶斯和支持向量机4种经典分类器进行组合,在4个公开类不平衡数据集上与其他4种常规采样方法进行比较.实验结果表明,与传统采样方法相比,该模型能够显著提高分类器对类不平衡数据的异常检测能力.
文献关键词：
工业控制系统;类不平衡数据;生成式对抗网络;采样方法;异常检测
中图分类号：
作者姓名：
顾兆军;刘婷婷;高冰;隋翯
作者机构：
中国民航大学信息安全测评中心,天津 300300;中国民航大学计算机科学与技术学院,天津 300300;中国民航大学航空工程学院,天津 300300
文献出处：
引用格式：
[1]顾兆军;刘婷婷;高冰;隋翯-.基于GAN-Cross的工控系统类不平衡数据异常检测)[J].信息网络安全,2022(08):81-89
A类：
B类：
GAN,Cross,工控系统,类不平衡数据,数据异常检测,工业控制系统,不平衡问题,分类器,异常数据,精准识别,采样方法,数据集特征,检测精度,生成式对抗网络,Generative,Adversarial,Network,样模,学习目标,概率分布,平衡性,生成器,判别器,近邻,朴素贝叶斯,不平衡数据集,检测能力
AB值：
0.258178
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
