基于解耦图神经网络的全球上下文增强网络攻击异常检测
密码学与安全
2024-09-25 v1 机器学习
摘要
近年来，针对基于图神经网络（GNN）的异常检测研究大量涌现。现有工作侧重于同时掌握节点表示和用于识别异常的分类器，以相对浅层的模型创建嵌入。因此，现有的前沿模型无法捕获非线性网络信息，导致结果次优。为此，本文采用解耦图神经网络（decoupled GNNs）来克服此问题。具体而言，我们将检测异常所必需的关键节点表示和分类器进行了解耦。此外，针对节点表示学习，我们开发了包含两个模块的 GNN 架构，用于聚合节点特征信息以生成最终的节点嵌入。最后，我们通过实证实验验证了所提方法的有效性。研究结果表明，结合全局上下文增强的节点表示与解耦训练相较于现有的前沿模型在 AUC 等指标上具有优势，并引入了一种新的捕获节点信息的方式。
引用
@article{arxiv.2409.15304,
title = {Global Context Enhanced Anomaly Detection of Cyber Attacks via Decoupled Graph Neural Networks},
author = {Ahmad Hafez},
journal= {arXiv preprint arXiv:2409.15304},
year = {2024}
}