时刻保持预训练：基于图神经网络的网络入侵检测的表示学习
密码学与安全
2024-03-01 v1
摘要
基于图神经网络的网络入侵检测系统最近在基准数据集上展现了领先的性能。然而，这些方法依赖于目标编码进行数据预处理，由于需要标注标签的限制，导致其推广应用受限。本文提出一种解决方案，结合上下文预训练和稠密表示用于离散特征，以 jointly 克服标签依赖的限制。我们的方法在数据效率方面表现突出，在 NF-UQ-NIDS-V2 数据集上，以 less than 4% 的标注数据即可达到监督 SOTA 方法的 98% 性能。
引用
@article{arxiv.2402.18986,
title = {Always be Pre-Training: Representation Learning for Network Intrusion Detection with GNNs},
author = {Zhengyao Gu and Diego Troy Lopez and Lilas Alrahis and Ozgur Sinanoglu},
journal= {arXiv preprint arXiv:2402.18986},
year = {2024}
}
备注
Will appear in the 2024 International Symposium on Quality Electronic Design (ISQED'24)