Mar, 2020

使用图神经网络自动检测僵尸网络

PDF
TL;DR本文研究使用现代深度学习技术自动学习 botnet 检测策略的神经网络设计挑战，通过在大规模真实网络中叠加不同通信模式的 botnet 连接来产生训练数据，使用图神经网络来检测集中式和分散式 botnet 的结构，实验结果表明，图神经网络比之前的非学习方法能更好地捕捉 botnet 结构，并且深层图神经网络对于学习复杂的 botnet 拓扑结构至关重要。
发现论文，激发创造
  • 用于机器人检测的深度神经网络

    该论文提出了一种基于深度神经网络的机器人检测方法，通过使用元数据并将其作为辅助输入，CNN 处理推文文本。同时，作者们提出了一种基于合成少数过抽样的技术，从少量已标记数据（大约 3000 个 sophisticated Twitter bots 的样例）生成适合深度 CNN 训练的大型标记数据集。作者还在账户级别的机器人检测中应用了相同的架构，并在保证小型和可解释特征，以及最小训练数据的情况下，实现了几乎完美的分类准确度。从仅一个推文中，我们的体系结构就可以实现高分类精度（AUC > 96%）将机器人与人类分开。

    Feb, 2018

  • 使用图神经网络的图异常检测：当前状态与挑战

    本篇综述介绍了基于图神经网络的图形异常检测的最新进展，将这些方法总结为基于图形类型、异常类型和网络结构，并得出这是第一个基于 GNN 的综合检测图形异常方法的综述。

    Sep, 2022

  • 基于图神经网络和常用机器学习算法的假新闻检测比较分析

    本文研究了利用图神经网络技术和机器学习算法探测社交媒体平台上的虚假新闻传播，发现图神经网络对于虚假新闻的辨别效果最好。

    Mar, 2022

  • RF-GNN: 随机森林提升的图神经网络用于社交机器人检测

    本文提出了一种名为 RF-GNN 的随机森林增强图神经网络用于社交机器人检测，可通过使用图神经网络 (GNNs) 作为基础分类器构建随机森林，有效地结合了集成学习和 GNNs 的优势，以提高模型的准确性和鲁棒性。

    Apr, 2023

  • 基于图神经网络的入侵检测的高效网络表示

    我们提出了一种新颖的网络表示形式作为流图，旨在为入侵检测任务提供相关的拓扑信息，以及通过基于图结构的神经网络框架将通信流分类为恶意得分。我们还强调了传统评估程序可能存在的数据泄露问题，并提出了解决方案以确保入侵检测系统性能的可靠验证。通过实施提出的框架，证明利用基于流的图结构优于经典的基于机器学习和先前的基于图神经网络的解决方案。

    Sep, 2023

  • 从捕获的流量追踪构建基于图的深度学习网络模型

    通过使用一种新颖的编码方法来捕捉抓取数据包序列中的信息，并使用改进的消息传递算法更好地表示物理网络中的依赖关系，我们提出了一种基于图神经网络的解决方案，旨在更好地捕捉真实网络场景的复杂性。我们展示了该方案能够学习并推广到未见过的抓取网络场景。

    Oct, 2023

  • 利用连续学习的图神经网络检测社交媒体中的虚假新闻

    本论文主要针对基于传播的假新闻检测，利用图神经网络实现无需文本信息的分类方法，研究了在新数据集上的性能问题，并提出了利用持续学习方法解决的方案。

    Jul, 2020

  • 图形后门

    研究探讨了 GNN 中的防后门攻击，提出了一种新的攻击方法 GTA，可以在各类安全应用中袭击任何实验中的模型；该攻击方法是基于子图，能够在不了解下游模型或微调策略的情况下立即启动，并在基准数据集和最先进的模型上进行了广泛的评估。

    Jun, 2020

  • N-BaIoT: 基于网络的物联网 Botnet 攻击检测方法，使用深度自编码器

    本文介绍了一种新的基于深层自编码器的网络异常检测方法来检测和区分源于受攻击的 IoT 设备的长短时间攻击，实验表明该方法能够准确且即时地检测到 Mirai 和 BASHLITE 这两种最为广泛的基于 IoT 设备的僵尸网络攻击。

    May, 2018

  • 基于关系图卷积网络的 Twitter 机器人检测

    提出了一种基于关系图卷积网络的 Twitter 机器人检测方法 BotRGCN，它通过构建由关注关系组成的异构图来解决社群挑战，并利用多模用户语义和属性信息来捕获具有多样化伪装的机器人，实验结果表明，BotRGCN 在基准测试 TwiBot-20 中的性能优于竞争方法。

    Jun, 2021