본 연구는 네트워크 이상 감지 및 예측을 위해 벡터 자기회귀(VAR) 모델의 사용을 비교 분석한다. VAR 모델에 대한 간략한 개요를 제공하고 네트워크 이상 체크로 사용 가능한 두 가지 버전을 검토하며 두 종류의 VAR 모델을 통한 경험적인 평가를 제시한다. VAR-Filtered moving-common-AR 모델이 단일 노드 이상 감지성능에서 우수하며, VAR-Adaptive Learning 버전은 몇 개의 노드 간 이상을 효과적으로 식별하는 데 특히 효과적이며 두 가지 주요VAR 모델의 전반적인 성능 차이에 대한 근본적인 이유도 분석한다. 각 기술의 장단점을 개요로 제공하고 성능 향상을 위한 제안도 제시하고자 한다.
This research conducts a comparative analysis of Vector Autoregressive (VAR) models for network anomaly detection and prediction, focusing on two specific VAR versions. It empirically assesses their effectiveness in detecting and forecasting anomalies, finding that the VAR-Filtered moving-average-AR model excels in single-node anomaly detection, while the VAR-Adaptive Learning model is more effective for detecting anomalies across multiple nodes. The study explores the reasons behind the performance differences of these models and compares VARs with other methods like Markov Chain Monte Carlo and Artificial Neural Networks, using datasets based on real-world and fictional network scenarios. It evaluates the trade-offs between these techniques and provides insights into their advantages, disadvantages, and potential improvements for network anomaly detection.
1. Introduction
2. Related Studies
3. PROPOSED MODEL
5. Result and Analysis
Acknowledgement
Reference