注意力增强型 GNN RNN-Attention 模型用于高级网络安全入侵检测
密码学与安全
2025-10-31 v1 机器学习
摘要
本文提出一种新型混合深度学习架构，协同结合图神经网络（GNN）、循环神经网络（RNN）和多头注意力机制，以显著提升网络安全入侵检测能力。通过利用包含多样化网络流量模式的综合 UNSW-NB15 数据集，我们的方法有效捕获通过图结构关系的空间依赖性以及通过网络事件序列分析的时序动态。集成注意力机制提供双重收益：提高模型可解释性并增强特征选择，使网络安全分析师能够聚焦计算资源于高影响安全事件——这一特性对于现代实时入侵检测系统至关重要。我们的广泛实验评估表明，所提混合模型在多个评估指标上（包括准确率、精确率、召回率和 F1 分数）的性能优于传统机器学习方法和单一深度学习模型。该模型在检测高级持续性威胁（APTs）、分布式拒绝服务（DDoS）攻击和零日漏洞方面尤其表现突出，为复杂网络环境中下一代网络安全应用提供了有前景的解决方案。
引用
@article{arxiv.2510.25802,
title = {Attention Augmented GNN RNN-Attention Models for Advanced Cybersecurity Intrusion Detection},
author = {Jayant Biradar and Smit Shah and Tanmay Naik},
journal= {arXiv preprint arXiv:2510.25802},
year = {2025}
}