Anomal-E：基于图神经网络的自监督网络入侵检测系统
机器学习
2023-02-10 v5 人工智能
密码学与安全
网络与互联网体系结构
摘要
本文研究图神经网络（GNN）在自监督网络入侵与异常检测中的应用。GNN 是一种面向图数据的深度学习方法，它将图结构融入学习以泛化图表示并输出嵌入。由于网络流天然基于图，GNN 适合分析和学习网络行为。当前大多数基于 GNN 的网络入侵检测系统（NIDS）严重依赖标注网络流量，这不仅会限制输入流量的数量与结构，还会限制 NIDS 适应未知攻击的潜力。为克服这些限制，我们提出 Anomal-E，一种利用边特征与图拓扑结构进行自监督过程的 GNN 入侵与异常检测方法。据我们所知，该方法是首个成功且实用的、以自监督、利用边的 GNN 处理网络流的网络入侵检测方法。在两个现代基准 NIDS 数据集上的实验结果不仅清晰展示了使用 Anomal-E 嵌入而非原始特征的改进，也显示了 Anomal-E 在野生网络流量上检测的潜力。
引用
@article{arxiv.2207.06819,
title = {Anomal-E: A Self-Supervised Network Intrusion Detection System based on Graph Neural Networks},
author = {Evan Caville and Wai Weng Lo and Siamak Layeghy and Marius Portmann},
journal= {arXiv preprint arXiv:2207.06819},
year = {2023}
}
备注
Accepted by Knowledge-Based Systems