Sep, 2024

面向网络流量分析的图基基础模型

HTML
PDF
TL;DR本研究解决了当前网络流量分析中模型适应性不足的问题，提出了一种新的图基流级模型，通过构建动态时空图与自监督链路预测预训练任务，捕捉网络流量的空间和时间动态。研究表明，该方法在入侵检测、流量分类和恶意软件分类三项任务中，经过预训练的模型相较于从头训练平均提升了6.87%的性能，展示了其作为操作基础模型的潜力。
发现论文，激发创造
  • NetGPT：面向网络流量的生成式预训练Transformer

    本文提出了一种用于网络流量理解和生成任务的生成预训练模型，优化了适应预训练模型到多样化任务的效果，并在一系列流量理解和生成任务中展现了其显著的有效性，显著优于现有技术方案。

    Apr, 2023

  • STG4Traffic: 交通预测的时空图神经网络调查和基准评估

    本研究通过系统综述图学习策略和空间-temporal 图网络模型来建立智慧城市的标准化和可扩展基准，以评估其在两种类型的交通数据集上的性能，并讨论未来的研究方向。

    Jul, 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

  • netFound：用于网络安全的基础模型

    在网络安全的机器学习中，我们开发了netFound模型，通过预训练和微调来更好地捕捉隐藏的网络上下文，并在各种下游任务中展现出卓越的性能和适用性。

    Oct, 2023

  • 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

  • Lens：网络流量的基础模型

    网络流量分析具有独特的挑战，因为数据包具有异构标头和缺乏语义的加密负载。为了更好地学习大规模网络流量的表示，本研究基于Transformer编码器的T5架构开发了Lens模型，并采用了一种新的损失函数，整合了三个任务：遮蔽跨度预测、数据包顺序预测和同源流量预测。在多个基准数据集上对Lens进行的评估结果显示，它在与网络流量相关的大多数下游任务中优于基准方法，在微调时所需的标记数据也明显较少。

    Feb, 2024

  • ServeFlow: 用于网络流量分析的快慢模型架构

    该论文介绍了ServeFlow，一个针对网络流量分析任务的机器学习模型服务解决方案，它通过仔细选择收集数据包的数量和应用于各个流量的模型，实现最小延迟、高服务速率和高准确性之间的平衡。

    Feb, 2024

  • 应用图论改善机器学习侦测网络攻击

    网络入侵和网络威胁的早期检测是网络安全的主要支柱之一。本文提出通过对网络流量进行预处理，提取新的基于图论的指标，从而更高效地检测网络攻击，并克服传统方法的一些局限性。实验证实，该方法不仅能够克服传统方法的局限性，还能够实现更好的网络威胁检测能力。

    Feb, 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

  • PPT-GNN：用于网络安全的实用预训练时空图神经网络

    介绍了一种实用的时空图神经网络（PPTGNN），用于入侵检测，能够实现接近实时的预测，并更好地捕捉到网络攻击的时空动态。通过自我监督预训练，在减少对标记数据依赖的同时提高性能。在三个公共数据集上对PPTGNN进行评估，结果显示其明显优于E-ResGAT和E-GraphSAGE等最先进的模型，平均精度提高了10.38％。最后，展示了经过预训练的PPTGNN可以在最少标记示例的情况下轻松调整到看不见的网络上，突显了PPTGNN作为通用大规模预训练模型在多样网络环境中的潜力。

    Jun, 2024