使用图神经网络检测上下文网络异常
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
本文介绍了一种针对河流传感器数据的异常检测解决方案,使用图神经网络模型 GDN + 来捕捉传感器之间的复杂时空关系,并针对河流网络数据中的高维数据进行评估,发现 GDN + 比基准方法表现更优越和提供更好的可解释性。同时,本文还介绍了 gnnad 软件。
Apr, 2023
本研究提出了一个新颖的多模态无线传感器网络数据流异常检测模型,通过三个图神经网络分别提取 WSN 数据流的时空特征和形式化特征,并结合节点的空间位置关系,从而大大提高了鲁棒性和 F1 得分。
Feb, 2022
GCNetOmaly 是一种基于图卷积网络和变分自编码器的异常检测器,用于保护组织的终端设备免受复杂的网络攻击,通过训练模型并应用于连接事件数据,以及机器之间的各种特征数据,该模型能够有效地检测异常行为。
Nov, 2023
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
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
本研究使用图神经网络和非广义熵在全球金融市场中探测异常,研究发现高度相关资产的复杂结构在危机中减少,并且在危机前、中和后,非广义熵参数下的异常数目存在统计差异。
Aug, 2023
GNN 可以作为一种新一代的数据驱动模型应用于通信网络的建模、控制和管理中,其优势在于可以应用于训练过程中未看到的其他网络和配置,以实现网络优化等诸多应用。
Dec, 2021
提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法,通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析,在真实世界传感器数据集实验中,该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。
Jun, 2021