Twin Auto-Encoder Model for Learning Separable Representation in Cyberattack Detection

表示学习（RL）在许多问题的成功中起着关键作用，包括网络攻击检测。大多数网络攻击检测的RL方法都基于自编码器（AE）模型的潜在向量。AE将原始数据转换为新的潜在表示，更好地暴露了输入数据的基本特征。因此，它对于识别网络攻击非常有用。然而，由于网络攻击的异质性和复杂性，AE的表示常常是纠缠/混合的，导致下游攻击检测模型的困难。为了解决这个问题，我们提出了一种新颖的模型称为双自编码器（TAE）。TAE将潜在表示确定地转换为更可区分的表示，即\textit {可分离表示}，并在输出处重构可分离表示。TAE的输出称为\textit {重构表示}，输入到下游模型中以检测网络攻击。我们广泛评估了TAE的有效性，使用了各种基准数据集。实验结果显示，TAE的准确性优于最先进的RL模型和众所周知的机器学习算法。此外，TAE在某些复杂和具有挑战性的攻击上也优于最先进的模型。然后，我们调查了TAE的各种特征，以进一步证明其优越性。

提出一种名为Twin Auto-Encoder (TAE)的模型，解决Auto-Encoder (AE)在网络攻击检测中混淆表示的问题。

TAE将AE的隐变量表示映射为可分离表示，从而提高了下游网络攻击检测模型的准确性。

实验结果表明，TAE在多个基准数据集上的表现优于现有的RL模型和机器学习算法。TAE还在某些复杂和具有挑战性的攻击上表现出色。

近期的相关研究包括基于深度学习的网络攻击检测方法的研究，例如《Deep Learning for Network Intrusion Detection: A Review》。