用于入侵检测的基于图的残差解决方案：改进的 E-GraphSAGE 与 E-ResGAT 算法
密码学与安全
2021-11-29 v1 机器学习
摘要
日益增多且愈发复杂的网络威胁的大量出现正引起人们对网络安全的日益关注，其中仍有许多挑战尚未解决。也就是说，对于入侵检测，需要更稳健、更有效且能利用更多信息的新算法。此外，入侵检测任务面临着一个与正常流量和恶意流量之间极端类别不平衡相关的严峻挑战。最近，图神经网络 (GNN) 在网络安全任务中对网络拓扑进行建模方面取得了 SOTA 性能。然而，仅有少数工作使用 GNN 来解决入侵检测问题。此外，其他有前景的途径（如应用注意力机制）仍待深入探索。本文提出了两种用于入侵检测的基于图的新颖解决方案：改进的 E-GraphSAGE 和 E-ResGAT 算法，它们分别依赖于成熟的 GraphSAGE 和图注意力网络 (GAT)。其核心思想是利用可用的图信息将残差学习集成到 GNN 中。添加残差连接作为处理高类别不平衡的一种策略，旨在保留原始信息并提升少数类的性能。对四个近期入侵检测数据集的广泛实验评估表明，我们的方法具有优异的性能，尤其是在预测少数类时。
引用
@article{arxiv.2111.13597,
title = {Graph-based Solutions with Residuals for Intrusion Detection: the Modified E-GraphSAGE and E-ResGAT Algorithms},
author = {Liyan Chang and Paula Branco},
journal= {arXiv preprint arXiv:2111.13597},
year = {2021}
}
备注
11 pages, 4 figures