异构图神经网络在网络安全异常检测中的调查
密码学与安全
2026-03-31 v2 机器学习
摘要
异常检测是网络安全中的关键任务，识别内部威胁、访问违规和协调性攻击对于确保系统韧性至关重要。图基方法日益重要，用于建模实体之间的相互作用，但大多数依赖于均质且静态的结构，限制了其捕捉真实世界环境中异构性和时间演化的能力。异构图神经网络 (HGNN) 作为一种前景明确的范式，通过包含 type-aware 转换和 relation-sensitive 聚合，实现了对复杂网络安全数据的更具表达力的建模。然而，当前 HGNN-based 异常检测研究仍零散，建模策略多样，缺乏系统性比较评估，且缺乏标准化的基准数据集。为弥补这一差距，我们提供了 HGNN-based 异常检测方法在网络安全领域的全面调查。我们引入一种分类法，将方法按异常类型和图的动态特性进行归类，分析代表性模型，并将其映射到关键网络安全应用。我们还回顾了常用的数据集和评估指标，揭示了其优势和局限性。最后，我们确定了与建模、数据和部署相关的关键开放挑战，概述了未来研究的有前景的方向。本次调查旨在为 HGNN-based 异常检测的可扩展、可解释和实用可部署解决方案奠定结构化基础。
引用
@article{arxiv.2510.26307,
title = {A Survey of Heterogeneous Graph Neural Networks for Cybersecurity Anomaly Detection},
author = {Laura Jiang and Reza Ryan and Qian Li and Nasim Ferdosian},
journal= {arXiv preprint arXiv:2510.26307},
year = {2026}
}
备注
23 pages, 7 figures, 97 references. Submitted to Journal of Computer Security (under review)