Sep, 2023

基于图神经网络的入侵检测的高效网络表示

PDF
TL;DR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。
cyber-attacksnetwork intrusion detectiongraph representationgraph neural networkdata leakage issue
发现论文，激发创造
  • 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

  • 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

  • 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

  • 稳健图神经网络的图结构学习

    本文探讨了图神经网络在面临敌对攻击时的脆弱性，并提出了一种名为 Pro-GNN 的框架，以基于真实世界图形的内在属性来联合学习结构性图形和稳健性 GNN 模型以应对此问题。通过实验表明，Pro-GNN 在防御敌对攻击方面表现优异。

    May, 2020

  • 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

  • 基于图神经网络的高效模型窃取攻击

    该论文介绍了一种针对归纳式图神经网络的无监督模型窃取攻击的新方法，该方法基于图对比学习和谱图增强，通过从目标模型高效提取信息。在六个数据集上对该攻击进行了全面评估，结果表明该方法相较于现有的窃取攻击具有更高的效率，并在所有基准测试中优于基准测试，实现了更高的窃取模型的保真度和下游准确性，同时对目标模型发送的查询次数较少。

    May, 2024

  • 基于图神经网络的自监督网络入侵检测系统 Anomal-E

    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。

    Jul, 2022

  • 动态图神经网络进行影响力检测

    本文研究了在影响者检测中，利用动态图神经网络进行预测任务的不同配置，考虑到网络动态性与时间特征属性的影响，证明使用深度多重注意力和编码时间属性可以显著改善性能，在捕获邻域表示方面比使用网络中心度度量更有益。

    Nov, 2022

  • 通过重连对图卷积网络进行攻击

    本文提出了一种针对图神经网络的对抗攻击方法，通过图重连的操作，使用强化学习生成对于目标模型影响较小的扰动，并在真实图数据集上进行实验及分析，证明该方法的有效性。

    Jun, 2019

  • 针对图神经网络的节点级成员资格推断攻击

    本研究针对图神经网络的隐私攻击风险展开了首个综合性的分析，提出并验证了三种攻击方法，并探究了两种防御机制的实用性。

    Feb, 2021