基于图对比学习的入侵检测方法 EG-ConMix
密码学与安全
2024-03-28 v1 机器学习
摘要
随着 IoT 设备数量的增加，安全问题日益凸显。通过部署网络入侵检测系统 (NIDS) 来监控网络流量、检测和发现入侵，并及时发布安全警报，有助于最小化威胁的影响。近年来大部分入侵检测研究都仅关注流量本身，忽略了它们之间的相互关系，从而限制了对复杂 IoT 网络攻击事件的监控。此外，实际网络中的异常流量仅占很小比例，这导致数据集中严重不平衡，使算法的学习和预测极其困难。本文提出了一种基于 E-GraphSAGE 的 EG-ConMix 方法，引入数据增强模块以解决数据不平衡问题。此外，我们将对比学习融入其中，以区分正常流量样本和恶意流量样本，促进关键特征的提取。大量实验表明，EG-ConMix 在两个公开数据集上的入侵检测性能优于当前最先进的方法。显著的是，它在大规模图上在训练速度和准确率方面都表现出显著优势。
关键词
引用
@article{arxiv.2403.17980,
title = {EG-ConMix: An Intrusion Detection Method based on Graph Contrastive Learning},
author = {Lijin Wu and Shanshan Lei and Feilong Liao and Yuanjun Zheng and Yuxin Liu and Wentao Fu and Hao Song and Jiajun Zhou},
journal= {arXiv preprint arXiv:2403.17980},
year = {2024}
}