GraphDART：面向高效高级持续性威胁检测的图蒸馏
密码学与安全
2025-01-07 v1 机器学习
摘要
网络-物理-社会系统(CPSS)近几十年来在许多应用中出现，需要更加关注安全问题。高级持续性威胁(APT)等复杂威胁的兴起使得确保CPSS的安全性尤其具有挑战性。溯源图分析已被证明在系统内追踪和检测异常方面有效，但这些图的庞大规模和复杂性阻碍了现有方法的效率，特别是那些依赖图神经网络(GNN)的方法。为了应对这些挑战，我们提出了GraphDART，一个模块化框架，旨在将溯源图蒸馏为紧凑但信息丰富的表示，从而实现可扩展且有效的异常检测。GraphDART可以利用多种图蒸馏技术，包括经典和现代图蒸馏方法，来压缩大型溯源图，同时保留必要的结构和上下文信息。这种方法显著降低了计算开销，使GNN能够高效地从蒸馏图中学习并增强检测性能。在基准数据集上的广泛评估证明了GraphDART在网络-物理-社会系统中检测恶意活动的鲁棒性。通过优化计算效率，GraphDART提供了一种可扩展且实用的解决方案，以保护互联环境免受APT攻击。
引用
@article{arxiv.2501.02796,
title = {GraphDART: Graph Distillation for Efficient Advanced Persistent Threat Detection},
author = {Saba Fathi Rabooki and Bowen Li and Falih Gozi Febrinanto and Ciyuan Peng and Elham Naghizade and Fengling Han and Feng Xia},
journal= {arXiv preprint arXiv:2501.02796},
year = {2025}
}
备注
"This work has been submitted to the IEEE for possible publication."