基于图注意力神经网络的僵尸网络检测：评估自编码器、VAE 和 PCA 降维方法
机器学习
2025-05-26 v1 计算机视觉与模式识别
摘要
随着基于物联网的僵尸网络攻击兴起，研究人员探索了各种用于检测的机器学习模型，包括传统机器学习、深度学习和混合方法。一个关键进展是部署注意力机制以捕捉特征之间的长期依赖关系，显著提高了检测准确率。然而，大多数模型独立处理攻击实例，忽略了实例间的关系。图神经网络（GNN）通过迭代消息传递学习嵌入空间，根据节点特征和关系将相似实例放置得更近，从而增强了分类性能。为进一步提高检测效果，注意力机制被嵌入到 GNN 中，利用了长期依赖和实例间连接。然而，将高维物联网攻击数据集转换为图结构数据集面临挑战，例如大规模图结构导致计算开销过大。为缓解这一问题，本文提出了一种先对基于 NetFlow 的物联网攻击数据集进行降维，再将其转换为图数据集的框架。我们评估了三种降维技术——变分自编码器（VAE-encoder）、经典自编码器（AE-encoder）和主成分分析（PCA）——并比较了它们对图注意力神经网络（GAT）模型在僵尸网络攻击检测中的影响。
引用
@article{arxiv.2505.17357,
title = {Graph Attention Neural Network for Botnet Detection: Evaluating Autoencoder, VAE and PCA-Based Dimension Reduction},
author = {Hassan Wasswa and Hussein Abbass and Timothy Lynar},
journal= {arXiv preprint arXiv:2505.17357},
year = {2025}
}