基于时序图网络框架的双向门控循环单元-Transformer聚合器：用于计算机网络警报预测的BiTA模型
机器学习
2026-04-28 v1 人工智能
摘要
主动预测计算机网络中的警报对于缓解不断演变的网络威胁并实现及时防御至关重要。时序图神经网络（TGN）提供了建模时间演化相互作用的原则框架; 然而, 现有TGN方法主要依赖单向或单一机制的时序聚合, 限制了其捕捉现实攻击行为中常见的递归、多尺度时序模式的能力。本文提出BiTA, 即Bidirectional Gated Recurrent Unit-Transformer Aggregator, 用于时序图学习。本文并未引入更深层或更高容量的模型, 而是在TGN框架内重新设计时序聚合函数, 通过联合编码双向序列依赖性和对每个节点的时序邻域内的长程情境关系。这种聚合策略实现了不同尺度上的互补时序推理, 同时保持原始TGN的记忆和消息传递结构。我们在真实世界的警报数据集上对BiTA进行评估, 在ROC曲线下面积、平均精确率、平均倒数排名和按类别预测准确率等关键绩效指标上均显著优于最先进的时序图模型。BiTA在传递和归纳设置下均优于基线方法, 突显其在动态网络环境中的鲁健性和泛化能力。BiTA是一个可扩展且可解释的实时网络威胁预测框架, 为构建更智能和自适应的入侵检测系统指明了方向。
引用
@article{arxiv.2604.22781,
title = {BiTA: Bidirectional Gated Recurrent Unit-Transformer Aggregator in a Temporal Graph Network Framework for Alert Prediction in Computer Networks},
author = {Zahra Makki Nayeri and Mohsen Rezvani},
journal= {arXiv preprint arXiv:2604.22781},
year = {2026}
}