基于图的自监督分类异常检测系统 GRASP
计算与语言
2026-05-11 v1
摘要
高级持久性威胁 (APT) 攻击因其隐蔽、适应性强以及使用合法系统组件而难以检测。基于证据的入侵检测系统 (PIDS) 通过捕获系统组件和动作之间的详细关系，提供了有前景的防御方案。然而，当前的 PIDS 依赖于预定义或子集确定的阈值，这限制了检测的稳定性以及对一般异常行为的检测能力。此外，相关工作常常忽视了进程可执行文件的作用，这些文件通过进程与文件、网络组件和其他进程交互。我们引入 GRASP，一种基于掩码自监督分类的 PIDS。GRASP 掩码进程的可执行文件信息，并学习从其两跳证据图邻域推断其信息，将误分类的进程标记为异常。它捕获所学习可执行文件的行为模式，而无需阈值，从而对干扰和未知活动更具鲁棒性。在 DARPA TC 和 OpTC 数据集上的评估表明，GRASP 持续检测异常行为，包括已知与攻击相关的活动，超越现有系统。我们的 PIDS 在可学习可执行文件行为的数据集中识别了所有文档中记录的攻击。此外，与现有系统相比，GRASP 揭示了在文档中未标记为攻击的潜在恶意异常行为。
引用
@article{arxiv.2605.07811,
title = {A Comparative Analysis of Classical Machine Learning and Deep Learning Approaches for Sentiment Classification on IMDb Movie Reviews},
author = {Erma Daniar Safitri and Lia Hana Ichisasmita and Citra Agustin and Luluk Muthoharoh and Ardika Satria and Martin Clinton Tosima Manullang},
journal= {arXiv preprint arXiv:2605.07811},
year = {2026}
}
备注
10 pages, 4 authors from Department of Data Science and 2 authors from Department of Informatics Engineering, Institut Teknologi Sumatera, Indonesia