GPU加速的可解释泛化：用于快速网络攻击检测与取证
密码学与安全
2025-07-22 v1
摘要
最近发表于IEEE Transactions on Information Forensics and Security的可解释泛化(IG)机制提供了最先进的、基于证据的入侵检测方法，通过发现正常和攻击模式的协同normal and attack patterns来实现 exhaustive intersect-and-subset operations——但其三次时间复杂性和大规模中间位集，使得在CPU上处理大规模数据集不可行。我们present IG-GPU，这是一种PyTorch重构，将所有成对的交集和子集评估卸载到商品GPU上。在单块NVIDIA RTX 4070 Ti上，IG-GPU在15k记录的NSL-KDD数据集上相对于IG的多核CPU实现实现了116倍加速。在完整规模的NSL-KDD(148k记录)中，给定小训练数据(例如10%-90%的train-test split)，IG-GPU在18分钟内运行，召回率0.957，精确率0.973，AUC 0.961；而IG则需对数据集进行下采样至15k记录以避免内存耗尽，获得召回率0.935，精确率0.942，AUC 0.940。结果表明，IG-GPU在不同规模下都稳健可靠，一旦模式被学习，即可提供毫秒级的每流推断。IG-GPU因此弥合了严格可解释性与实时网络防御之间的鸿沟，为未来在硬件感知调度、多GPU分片和数据集特定稀疏性优化提供了可携载的基础。
引用
@article{arxiv.2507.14222,
title = {GPU-Accelerated Interpretable Generalization for Rapid Cyberattack Detection and Forensics},
author = {Shu-Ting Huang and Wen-Cheng Chung and Hao-Ting Pai},
journal= {arXiv preprint arXiv:2507.14222},
year = {2025}
}
备注
ACM CCS 2025 (Submitted)