基于图神经网络的少样本网络攻击检测
机器学习
2025-01-29 v1 密码学与安全
摘要
使用图神经网络（GNN）检测网络攻击最近取得了令人鼓舞的成果。大多数利用这些技术的前沿模型都需要标记样本，而在许多实际场景中标记样本难以获得。为此，无监督学习和自监督学习（SSL）日益成为减少对标记数据依赖的有趣方法。然而，这些方法倾向于生成更异常的检测算法，而非有效的攻击检测系统。本文引入了 Few Edges Are Enough（FEAE），一种基于 GNN 的架构，通过 SSL 和少样本学习（FSL）训练，以更好地区分虚假阳性异常和实际攻击。为最大化少样本示例的潜力，我们的模型采用一种混合自监督目标，结合对比学习和重建学习 SSL 的优势。仅凭最少数量的标记攻击事件（表示为攻击边），FEAE 在两个著名网络数据集上实现了与有监督和无监督方法的可竞争性能。值得注意的是，我们的实验结果表明，仅使用每个数据集中每种攻击类型的 1 个恶意事件即可实现显著的改进。FEAE 不仅在自监督 GNN 框架中超越了基线方法，还在一个数据集上超越了一些监督方法。
引用
@article{arxiv.2501.16964,
title = {Few Edges Are Enough: Few-Shot Network Attack Detection with Graph Neural Networks},
author = {Tristan Bilot and Nour El Madhoun and Khaldoun Al Agha and Anis Zouaoui},
journal= {arXiv preprint arXiv:2501.16964},
year = {2025}
}
备注
This is the version of the author, accepted for publication at IWSEC 2024. Published version available at https://link.springer.com/chapter/10.1007/978-981-97-7737-2_15