Jul, 2022

基于图神经网络的自监督网络入侵检测系统 Anomal-E

PDF
TL;DR本文介绍了一种新型入侵和异常检测方法 Anomal-E，它采用了基于 Graph Neural Networks 的自监督学习的方法，利用网络流量中的边部特征和拓扑结构来实现，同时取得了显著的改善。该方法是首次提出并取得实际成功的在无标签网络流量监测中采用 GNN 的方法。
graph neural networksself-supervised learningnetwork intrusion detection systemsanomaly detectionedge features
发现论文，激发创造
  • 应用自监督学习的图神经网络对网络流量进行网络入侵检测

    该研究论文基于图神经网络（GNN）提出了一种自我监督方法，用于网络入侵检测系统（NIDS）中多类别网络流的无监督学习，并通过实验验证了该方法在四个真实数据库上的良好性能。

    Mar, 2024

  • 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 GNN 的编码网络流量异常检测

    本研究早期报告探索了在富含信息的网络流数据中使用图神经网络（GNNs）进行异常检测的可能性，以改进 GNN 在异常检测中的性能。

    May, 2024

  • 保护图神经网络的无监督图异常检测

    本文提出了一个简单而有效的框架 G3AD，它引入了两个辅助网络和相关性约束来保护 GNN 免受不一致信息编码的影响。此外，G3AD 还引入了一个自适应缓存模块，以防止 GNN 仅重构包含异常的观察数据。大量实验证明，我们提出的 G3AD 在合成数据集和实际数据集上均能优于 17 个最先进的方法。

    Apr, 2024

  • 使用图神经网络检测上下文网络异常

    利用图神经网络（GNN）检测网络流量异常

    Dec, 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

  • 推进网络入侵检测：将图神经网络与散射变换和节点嵌入相结合以增强异常检测

    使用图神经网络的两种新方法来进行网络入侵检测系统（NIDS）：第一种方法使用散射变换对边缘特征向量进行多分辨率分析，以识别网络流量中的细微异常；第二种方法通过使用 Node2Vec 来改进节点表示，从而捕捉到更准确和全面的网络图像。与基准 NIDS 数据集中现有最先进方法相比，我们的方法在性能上显示出显著的改进。

    Apr, 2024

  • 利用网络变换器进行自监督和可解释的异常检测

    本文介绍了一种具有图形结构的 DNN 模型 - 网络转换器 (NeT)，用于检测工业控制系统中的异常，提供了分层次的功能，可以分析网络行为，提升了可解释性。

    Feb, 2022

  • 针对图形异常检测的生成式和对比式自监督学习

    本文提出 SL-GAD 方法来进行图数据中的异常检测，该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常，实验结果表明该方法较现有方法具有更好的表现。

    Aug, 2021

  • 基于图神经网络的网络入侵检测系统的问题空间结构对抗攻击

    机器学习在网络入侵检测系统中被广泛应用，但其易受到对抗性攻击的影响。本文提出了特定于图神经网络的对抗性攻击的形式化，并模拟了现实场景中可行的结构攻击。同时，通过实验验证了这些模型对经典基于特征的对抗性攻击的抵抗力提升，同时也展示了它们对结构攻击的脆弱性。

    Mar, 2024