ترجمه فارسی مقاله تشخیص ناهنجاری تطبیقی ​​در جریان های شبکه با تجزیه تانسورهای رتبه پایین و باز کردن عمیق

چکیده

Anomaly detection (AD) is increasingly recognized as a key component for ensuring the resilience of future communication systems. While deep learning has shown state-of-the-art AD performance, its application in critical systems is hindered by concerns regarding training data efficiency, domain adaptation and interpretability. This work considers AD in network flows using incomplete measurements, leveraging a robust tensor decomposition approach and deep unrolling techniques to address these challenges. We first propose a novel block-successive convex approximation algorithm based on a regularized model-fitting objective where the normal flows are modeled as low-rank tensors and anomalies as sparse. An augmentation of the objective is introduced to decrease the computational cost. We apply deep unrolling to derive a novel deep network architecture based on our proposed algorithm, treating the regularization parameters as learnable weights. Inspired by Bayesian approaches, we extend the model architecture to perform online adaptation to per-flow and per-time-step statistics, improving AD performance while maintaining a low parameter count and preserving the problem’s permutation equivariances. To optimize the deep network weights for detection performance, we employ a homotopy optimization approach based on an efficient approximation of the area under the receiver operating characteristic curve. Extensive experiments on synthetic and real-world data demonstrate that our proposed deep network architecture exhibits a high training data efficiency, outperforms reference methods, and adapts seamlessly to varying network topologies.

چکیده به فارسی (ترجمه ماشینی)

تشخیص ناهنجاری (AD) به طور فزاینده ای به عنوان یک مؤلفه اصلی برای اطمینان از انعطاف پذیری سیستم های ارتباطی آینده شناخته می شود.در حالی که یادگیری عمیق عملکرد پیشرفته AD را نشان داده است ، کاربرد آن در سیستم های بحرانی با نگرانی در مورد آموزش کارآیی داده ها ، سازگاری دامنه و تفسیر مانع می شود.این کار AD را در جریان شبکه با استفاده از اندازه گیری های ناقص ، استفاده از یک رویکرد تجزیه تانسور قوی و تکنیک های عمیق بدون کنترل برای رفع این چالش ها در نظر می گیرد.ما ابتدا یک الگوریتم تقریب محدب محدب محدب جدید را بر اساس یک هدف مناسب برای مدل مناسب پیشنهاد می کنیم که در آن جریان های طبیعی به عنوان تانسور درجه پایین و ناهنجاری ها به عنوان پراکنده مدل می شوند.تقویت هدف برای کاهش هزینه محاسباتی معرفی می شود.ما برای به دست آوردن یک معماری شبکه عمیق جدید بر اساس الگوریتم پیشنهادی ما ، از Unling Deep استفاده می کنیم ، و پارامترهای تنظیم را به عنوان وزنهای یادگیری درمان می کنیم.با الهام از رویکردهای بیزی ، ما معماری مدل را برای انجام سازگاری آنلاین با آمار در هر جریان و هر مرحله از مرحله انجام می دهیم ، عملکرد AD را بهبود می بخشد و ضمن حفظ تعداد پارامتر کم و حفظ تعادلات جابجایی مسئله.برای بهینه سازی وزن شبکه عمیق برای عملکرد تشخیص ، ما از یک روش بهینه سازی هموتوپی بر اساس تقریب کارآمد منطقه تحت منحنی مشخصه عملکرد گیرنده استفاده می کنیم.آزمایش های گسترده در مورد داده های مصنوعی و واقعی در دنیای واقعی نشان می دهد که معماری شبکه عمیق پیشنهادی ما دارای راندمان داده های آموزشی بالا ، روشهای مرجع بهتر است و یکپارچه با توپولوژی های مختلف شبکه سازگار می شود.