{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期部分”：[2022,4,29]]，“日期时间”：“2022-04-29T16:42:59Z”，“时间戳”：1651250579335}，“引用-计数”：28，“发布者”：“IOS出版社”，“问题”：“6”，“内容域”：{“域”：[]，“交叉标记限制”：false}，”short-container-title“：[”IFS“]，”出版-印刷版“：{“日期部分”：[[2022,4,28]]}，“摘要”：“基于异常的检测与识别异常相结合，捕捉异常活动，并发现该活动背后的奇怪行为。基于异常的检测具有广泛的关键应用，从银行应用程序安全到常规科学，再到医疗系统，再到营销应用程序。各种机器学习技术采用的基于异常的检测实际上是一种由人工智能组成的系统。随着信息量和种类的不断扩大，例如，来自大量物联网设备的传感器信息和来自云计算的网络流量数据，不出所料，人们对通过AI和ML应用程序自动处理更多结论的选择越来越感兴趣。但在异常检测方面，该方案的许多应用都是对检测的热情。本文采用机器学习（ML）技术，即支持向量机（SVM）、隔离森林分类器（Isolation forest分类器）进行实验，并参考深度学习（DL）技术采用所提出的DA-LSTM（Deep Auto-Encoder LSTM）模型对测井数据进行预处理和基于异常的检测，以获得更好的检测性能指标。利用增强的LSTM（长短期记忆）模型，使用遗传算法（GA）优化合适的参数，通过深度自动编码器（DA）从过滤的日志数据中更好地识别异常。利用深度神经网络模型将非结构化日志信息转换为训练就绪特征，这对于异常检测中的日志分类是合理的。使用两个基准数据集（Openstack日志和CIDDS-001入侵检测Openstack服务器数据集）评估这些模型。所得结果表明，DA-LSTM模型的性能优于其他著名的ML技术。我们通过众所周知的指标度量，特别是F度量、准确性、召回率和精确度，进一步研究了ML和DL模型的性能度量。探索性结论表明，隔离林和支持向量机分类器在CIDDS-001 OpenStack服务器数据集上的性能度量方面的准确率约为81%和79%，而提出的DA-LSTM分类器的准确率比常见的ML算法提高了约99.1%。此外，与其他著名的机器学习模型相比，OpenStack日志数据集上的DA-LSTM结果显示出更好的异常检测<\/jats:p>“，”DOI“：”10.3233\/jifs-201707“，”type“：”journal-article“，”created“：{”date-parts“：[2021,12,7]]，”date-time“：”2021-12-07T19:09:14Z“，”timestamp“：1638904154000}，”page“：“6257-6271”，“source”：“Crossref”，“is-referenced-by-count”：0，“title”：[“使用Deep Auto-Encoder和优化的基于LSTM的Deep Learning方法的混合方法检测云日志中的异常“]，”前缀“：”10.3233“，”卷“：”42“，”作者“：[{”给定“：”Savaridassan“，”家族“：”Pankajashan“，”序列“：”first“，”从属“：[}”name“：”印度塔米纳德邦钦奈科学技术研究所信息技术部“}]}，{”given“：”G.“，”family“：”Maragatham“，“sequence”：“additional”，“affiliation”：[{”name“：”印度塔米纳德邦钦耐科学技术研究院信息技术部T.“，”family“：”Kirthiga Devi“，”sequence“：”additional“，”affiliation“：[{”name“：”SRM科学技术研究院信息技术系，印度钦奈卡坦卡拉图尔，塔米纳德邦“}]}]，”member“：”7437“，”reference“：[}”issue“：”2“，”key“：”10.3233\/JIFS-201707_ref1“，”doi-asserted-by“：“crossref”，“first page”：“95”，“doi”：“”10.1016\/j.icte.2018.04.003“，”article-title“：”使用人工神经网络的智能入侵检测系统“，”volume“：”4“，”author“：”Shenfield“，”year“：”2018“，”journal-title”：“ICT Express”}，{“key”：“10.3233\/JIFS-201707_ref”，”doi-asserted-by“：”crossref“，”first page“1345”，”doi“：”10.1007\/s10586-019-02998-y“，”article-titel“：”Apache Spark中基于人工神经网络的异常检测技术”，“卷”：“3”，“作者”：“Alnavessah”，“年”：“2020”，“期刊标题”：“Cluster Comput”}，｛“key”：“10.3233\/JIFS-2017707_ref3”，“doi断言者”：“publisher”，“doi”：“10.1109\/ICISCi.2019.8716389”｝，｛“key”：“10.3233\/JIFS-2017707_ref6”，“doi断言者”：“publisher”，“首页”：“21954“，”DOI“：”10.1109\/ACCESS.2017.2762418“，”article-tile“：”使用递归神经网络进行入侵检测的深度学习方法“，”volume“：“5”，”author“：”Yin“，”year“：”2017“，”journal-title“：”in IEEE ACCESS“}，{”key“：，“article-title“：“使用带深度学习的线性单类SVM进行高维大规模异常检测”，“卷”：“58”，“作者”：“Erfani”，“年份”：“2016”，“期刊标题”：“模式识别”}，{“键”：“10.3233\/JIFS-201707_ref8”，“doi-asserted-by”：“publisher”，“doi”：“10.1109\/ICDM.2008.17”}doi-asserted-by“：”publisher“，”first page“：”052023“，”doi“：”10.1088\/1742-6596\/1237\/5\/052023“，”article-title“：”在检测局部异常点中隔离林的研究与改进“，”volume“：“1237”，“author”：“Gao”，“year”：“2019”，“journal-title”：“journal of Physics：Conference Series”}，{“key”：“10.3233\/JIFS-201707_ref10”，“doi-asserted-by“：”publisher“，”first page“：”64366“，”doi“：”10.1109\/ACCESS.2019.2917299“，”article-title“：”基于改进的卷积神经网络的无线网络入侵检测“，”volume“：“7”，”author“：”Yang“，”year“：”2019“，”journal-title”：“in IEEE ACCESS”}，{“key”：“10.3233\/JIFS-201707_ref11”，“”doi-assert-by“”：“publisher”，“doi”：“”10.1109\/PlatCon.2016.7456805“}，{“key”：“10.3233\/JIFS-201707_ref12”，“doi-asserted-by”：“crossref”，“unstructured”：“朱J.，何S.，Liu J.，He P.，Xie Q.，Zheng Z.和Lyu M.R.，自动日志分析工具和基准，国际软件工程会议（ICSE）（2019）。”，“doi”：“10.1109\/ICSE-SEIP.2019.00021”}，}10.3233\/JIFS-201707_ref15”，“非结构化”：“Lee B.，Amaresh S.，Green C.和Engels D.，网络入侵检测深度学习模型的比较研究，SMU DataScience Review 1（1）（2018），Article 8.”}，{“key”：“10.3233\/JIFS201707_rf16”，“doi-asserted-by”：“publisher”，“首页”：“4396”，“doi”：“103390\/app9204396”，“Article-title”：“入侵检测系统的机器学习和深度学习方法：综述”，“卷”：“9”，“作者”：“刘”，“年份”：“2019年”，“期刊标题”：“应用科学”}，{“关键字”：“10.3233\/JIFS-201707_ref17”，“doi-asserted-by”：“publisher”，“首页”：“177”，”doi“：”10.2478\/jaiscr-2019-0002“，”article-title“：”将神经网络集成应用于入侵检测”，“卷”：“9”，“作者”：“路德维希”，“年份”：“2019年”，“期刊标题”：“人工智能与软计算研究杂志”}，{“key”：“10.3233\/JIFS-201707_ref18”，“doi-asserted-by”：“publisher”，“doi”：“10.1109\/KBEI.2019.8735024”}publisher“，”first page“：”13624“，”DOI“：”10.1109\/ACCESS.2018.2810198“，”article-title“：”基于GA和SVM的改进入侵检测算法“，”volume“：“6”，“author”：“Tao”，“year”：“2018”，“journal-title”：“in IEEE ACCESS”}，{“key”：“10.3233\/JIFS-201707_ref20”，“DOI-asserted-by”：“publisher”，“DOI”：“10.1109\/CCWC.2018.8301663”}、{“密钥”：“10.3233\/JIFS-201707_ref21“，”doi-asserted-by“：”publisher“，”first page“：”8631“，”doi“：”10.29322\/IJSRP.902.2019.p8631“、”volume“：“9”，”author“：”Pokhrel“，“year”：“2019”，“journal-title”：“使用从系统日志生成的用户配置文件的入侵检测系统”}，{“key”：“10.3233\\JIFS-20107_ref22”，“doi-assert-by”：“publisher”，“”内政部“：”10.1109\/ICCECE.2017.8526232“}，{“key”：“10.3233\/JIFS-201707_ref23”，“unstructured”：“Ring M.，Wunderlich S.，Grudl D.，Landes D.和Hotho A.，基于流的入侵检测基准数据集。摘自《第十六届欧洲网络战与安全会议（ECCWS）会议记录》，载于ACPI.（2017）。”}，}“key:”10.3233\/JIFS201707_ef24“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/SSCI.2018.8628676“}，{“key”：“10.3233\/JIFS-201707_ref25”，“doi-assert-by”：“publisher”，“first-pages”：“41525”，“doi”：“10.1109\/ACCES.2019.2895334”，“article-title”：“智能入侵检测系统的深度学习方法”，“volume”:“7”，“author”：“Vinayakumar”，“year”：“2019”，“journal-title“：”在IEEE Access“}中，{“key”：“10.3233\/JIFS-201707_ref26”，“doi-asserted-by”：“publisher”，“doi”：“10.1109\/ISPA48434.2019.8966795”}，{”key“：”10.3233\/JIFS201707_ef27“，”doi-assert-by“：”crossref“，”unstructured“：”Savaridassan P.和Maragatham Dr。G.，《利用机器学习技术的私有云取证》，《国际计算机科学与工程高级趋势杂志》，ISSN:2278\u20133091，9（4）（2020）。“，”DOI“：”10.30534\/ijatcse\/2020\/6394200“}，{“key”：“10.3233\/JIFS-201707_ref28”，“DOI-asserted-by”：“publisher”，“first page”：”1185“，“DOI”：“10.1007\/s00521-010-0487-0”，”article-title“：”基于特征分组使用缩减大小的RNN进行入侵检测“，”volume“：”21“，”author“：”Sheikhan“，”“year”：“2012”，“journal-title”：“神经计算与应用”}，{“key“：”10.3233\/JIFS-201707_ref29“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/DASC\/PiCom\/CyberSciTec.2018.00037“}，{“key”：“10.3233\/JIFS201707_ref30”，“doi-assert-by”：“publisher”，“first-page”：“48231”，“doi”：“10.1109\/ACCESS.2018.2863036”，“article-tile”：”基于增强网络异常检测深度神经网络”，“卷”：“6”，“author“：”Naseer“，”year“：”2018“，”journal-title“：”in IEEE Access“}，”{“key”：“10.3233\/JIFS-201707_ref31”，”doi-asserted-by“：”publisher“，”first page“：”35365“，“doi”：“10.1109\/ACCES.2018.2836950”，“article-title”：“用于网络安全的机器学习和深度学习方法”，“volume”:“6”，“author”：“Xin”，“year”：“2018”，“journal-title”:“in IEEE Accession”}，{“key“：”10.3233\/JIFS-201707_ref32“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/ISCAS.2019.8702583“}]，”container-title“：[”Intelligent&Fuzzy Systems“]，”original-title”：[]，”link“：[{”URL“：”https:\/\/content.iospress.com\/download？id=10.3233\/JIFS201707“，”content-type“：”unspecified“，”content-version“：”vor“，”intended d-应用程序“：”相似性检查“}]，“存放”：{“date-parts”：[[2022,4,29]]，“date-time”：“2022-04-29T15:59:05Z”，“timestamp”：1651247945000}，“score”：1，“resource”：{“primary”：“{”URL“：”https:\\/www.medra.org\/servlet\/aliasResolver？alias=iospress&doi=10.3233\/JIFS-201707“}”，“subtitle”：[]，“shorttitle”：[]，“issued”rts“：[[2022,4,28]]}，”引用计数“：28，”日志-问题“：{”问题“：“6”}，”URL“：”http://\/dx.doi.org\/10.3233\/jifs-201707“，”关系“：{}，“ISSN”：[“1064-1246”，“1875-8967”]，“ISSN-type”：[{“value”：“1064-1266”，”type“：”print“}，{“value”：“1875-8767”，“type”:“electronic”}]，“subject”：【】，“published”：{“date-parts”：【2022年4月28日]}}}