将自监督学习应用于基于图神经网络的网络流入侵检测
机器学习
2024-03-05 v1 密码学与安全
摘要
由于图神经网络（GNN）适合表示网络流量，它们在网络入侵检测系统（NIDS）中受到了广泛关注。然而，目前大多数基于 GNN 的 NIDS 方法是监督或半监督的。网络流需要被手动标注为监督标签，这一过程耗时甚至不可能实现，使得 NIDS 难以适应潜在复杂的攻击，尤其是在大规模真实场景中。现有的基于 GNN 的自监督方法侧重于将网络流二元分类为良性或非良性，因此在实践中无法揭示攻击的类型。本文研究以无监督方式应用 GNN 来识别特定类型的网络流。我们首先设计了一个编码器来获取图嵌入，该编码器引入了图注意力机制，并将边信息视为唯一的关键因素。然后，提出了一种基于图对比学习的自监督方法。该方法对中心节点进行采样，对于每个中心节点，由其及其直接邻居节点生成子图，并从插值图中生成相应的对比子图，最后从子图中构建正样本和负样本。此外，引入了基于边特征和图局部拓扑的结构化对比损失函数。据我们所知，这是首个用于 NIDS 中网络流多分类的基于 GNN 的自监督方法。在四个真实数据库（NF-Bot-IoT、NF-Bot-IoT-v2、NF-CSE-CIC-IDS2018 和 NF-CSE-CIC-IDS2018-v2）上进行的详细实验将我们的模型与最先进的监督和自监督模型进行了系统比较，说明了我们方法的巨大潜力。我们的代码可通过 https://github.com/renj-xu/NEGSC 访问。
引用
@article{arxiv.2403.01501,
title = {Applying Self-supervised Learning to Network Intrusion Detection for Network Flows with Graph Neural Network},
author = {Renjie Xu and Guangwei Wu and Weiping Wang and Xing Gao and An He and Zhengpeng Zhang},
journal= {arXiv preprint arXiv:2403.01501},
year = {2024}
}
备注
15pages,8figures