WBHT：一种用于检测骨干网中黑洞异常的生成式注意力架构-计算机科学-生成式人工智能-异常检测-自注意力.pdfVIP

IEEEINTERNATIONALSYMPOSIUMONPERSONAL,INDOORANDMOBILERADIOCOMMUNICATIONS1

WBHT：一种用于检测骨干网中黑洞异常的

生成式注意力架构

KiymetKaya,,,ElifAkSuleGunduzOguducu,,

IstanbulTechnicalUniversity,DepartmentofComputerEngineering,Türkiye

IstanbulTechnicalUniversity,DepartmentofArtificialIntelligenceandDataEngineering,Türkiye

MemorialUniversity,CanadaBTSGroup,Türkiye

ITUAIResearchandApplicationCenter,Istanbul,Türkiye

Email:kayak16@.tr,elif.ak@mun.ca,sgunduz@.tr

本

译摘要—我们提出了Wasserstein黑洞转换器（WBHT）框往遭受不稳定训练的问题，并且缺乏有效的异常检测所

架，用于检测通信网络中的黑洞（BH）异常。这些异常会导致数需的结构化潜在空间表示。此外，现有的基于变压器的

中据包丢失而没有故障通知，破坏连接并导致经济损失。WBHT方法虽然在捕捉长距离依赖关系方面表现出色，但未能

1结合了生成模型、顺序学习和注意力机制以提高黑洞异常检测的充分利用网络流量数据中的时空关系。

v效果。它整合了一个Wasserstein生成对抗网络与注意力机制，

3实现了稳定的训练和准确的异常识别。该模型使用长短时记忆层认识到每个学习架构都具有独特的优点，因此在特

7

3来捕捉长期依赖关系，并使用卷积层来捕捉局部时间模式。一种定的异常检测场景中实证研究它们的有效性至关重要。

0潜在空间编码机制有助于区分异常网络行为。在真实世界网络数受这些挑战的驱使，并基于我们先前使用无监督卷积

2

7.据上的测试表明，WBHT优于现有模型，在F1分数上取得了自编码器（Conv-AE）结合带噪声的应用程序的空间密

0显著提升（范围从1.65%到58.76%）。其效率和检测以前未被度聚类（DBSCAN）[4]的研究成果，本研究评估了将

5发现的异常的能力使其成为主动网络监控和安全的重要工具，特

2WassersteinGAN与注意力机制相结合在BH异常检测

:别是在关键任务网络中。

v中的性能。虽然GAN和变压器单独或联合已经在各种

iKeywords—生成式人工智能，黑洞，异常检测，自注意力，

x异常场景中表现出强大的性能，包括入侵检测、欺诈检

r变压器，瓦瑟斯坦

a测、网络流量不规则性、传感器故障和工业物联网异

常[5]，但它们的结合能力尚未在这种关键情况下的BH

I.介绍

异常被充分探索和验证。为了验证我们的WBHT的有

对于任务关键型应用（如紧急服务、工业物联网1

效性，我们与互联网技术提供商合作使用了大量数据