3.3.3 Unsupervised LearningOur mode

3.3.3 Unsupervised Learning
Our model together with Mahalanobis distance can also be applied as an unsupervised
learning algorithm. Thus, training the models is possible even if noise is present in the
training data (for example, if training samples include payloads from past worm propagations still propagating on the Internet.) This is based on the assumption that the anomalous
payload is a minority of the training data and their payload distribution is different from the
normal payload. These abnormal payloads can be identified in the training set and their distributions removed from the model. This is accomplished by applying the learned models
to the training dataset to detect outliers. Those anomalous payloads will have a much larger
distance to the profile than the “average” normal samples and thus will likely appear as statistical outliers. After identifying these anomalous training samples, we can either remove
the outliers and retrain the models, or update the frequency distributions of the computed
models by removing the counts of the byte frequencies appearing in the anomalous training
data.

Kết quả (Việt) 1:

3.3.3 không có giám sát học tậpMô hình của chúng tôi cùng với khoảng cách Mahalanobis cũng có thể được áp dụng như là một không có giám sátthuật toán học. Do đó, đào tạo các mô hình có thể ngay cả khi tiếng ồn được trình bày trong cácđào tạo dữ liệu (ví dụ, nếu đào tạo mẫu bao gồm các dữ liệu từ quá khứ sâu propagations vẫn tuyên truyền trên Internet.) Điều này được dựa trên giả định rằng các bất thườngtải trọng là một thiểu số của dữ liệu đào tạo và phân phối tải trọng của họ là khác nhau từ cáctải trọng bình thường. Những dữ liệu này bất thường có thể được xác định trong bộ đào tạo và phân phối của họ khỏi các mô hình. Điều này được thực hiện bằng cách áp dụng các mô hình họcđể bộ dữ liệu đào tạo để phát hiện outliers. Những dữ liệu bất thường sẽ có một lớn hơn nhiềukhoảng cách đến cấu hình hơn bình thường mẫu "trung bình" và do đó sẽ có khả năng xuất hiện như thống kê outliers. Sau khi xác định các bất thường đào tạo mẫu, chúng tôi có thể loại bỏ một trong haiCác outliers và đào tạo lại các mô hình, hoặc cập nhật các bản phân phối tần số của các tínhCác mô hình bằng cách loại bỏ các buôn lậu các tần số byte xuất hiện trong việc đào tạo bất thườngdữ liệu.

Kết quả (Việt) 2:

3.3.3 có giám sát học tập
mô hình của chúng tôi cùng với Mahalanobis từ xa cũng có thể được áp dụng như một không có giám sát
thuật toán học. Vì vậy, đào tạo các mô hình có thể ngay cả khi tiếng ồn là hiện tại trong
dữ liệu huấn luyện (ví dụ, nếu mẫu huấn luyện bao gồm trọng tải từ propagations worm qua vẫn tuyên truyền trên Internet). Điều này được dựa trên giả định rằng các bất thường
tải trọng là một thiểu số dữ liệu huấn luyện và phân phối tải trọng của họ là khác nhau từ các
tải trọng bình thường. Các tải trọng bất thường có thể được xác định trong tập huấn luyện và phân phối của họ ra khỏi mô hình. Điều này được thực hiện bằng cách áp dụng các mô hình học
cho các số liệu đào tạo để phát hiện giá trị ngoại lai. Những trọng tải bất thường sẽ có một lớn hơn nhiều
khoảng cách đến các hồ sơ so với các mẫu bình thường "trung bình" và do đó có khả năng sẽ xuất hiện như là kẻ xuất thống kê. Sau khi xác định các mẫu huấn luyện dị thường, chúng ta có thể loại bỏ
các giá trị ngoại lai và đào tạo lại các mô hình, hoặc cập nhật các bản phân phối tần số của các tính toán
mô hình bằng việc loại bỏ các tội danh về các tần số byte xuất hiện bất thường trong việc đào tạo
dữ liệu.