结合符号与亚符号方法的网络攻击检测、解释与过滤
密码学与安全
2023-08-25 v1 机器学习
摘要
在网络安全领域的入侵检测背景下，针对图结构数据的机器学习（ML）近期受到了更深入的关注。由于监控工具生成的数据量不断增加以及攻击愈发复杂，这些 ML 方法正获得关注。知识图谱及其相应的学习技术（如图神经网络（GNNs））能够使用人类可理解的词汇无缝集成来自多个领域的数据，正在网络安全领域得到应用。然而，与其他连接主义模型类似，GNNs 的决策缺乏透明度。这一点尤为重要，因为网络安全领域往往存在大量误报告警，需要领域专家进行分类处置，耗费大量人力。因此，我们通过探索在网络安全领域结合融入领域知识的符号与亚符号方法来解决 GNNs 的可解释 AI（XAI）问题，以增强信任管理。我们通过在工业演示系统中生成解释对该方法进行了实验。所提方法被证明能够为多样化场景的告警生成直观解释。这些解释不仅提供了对告警的更深入洞察，而且在包含保真度指标时分别使误报告警减少了 66% 和 93%。
引用
@article{arxiv.2212.13991,
title = {Detection, Explanation and Filtering of Cyber Attacks Combining Symbolic and Sub-Symbolic Methods},
author = {Anna Himmelhuber and Dominik Dold and Stephan Grimm and Sonja Zillner and Thomas Runkler},
journal= {arXiv preprint arXiv:2212.13991},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2105.08741