解读来自物联网流量的流形与图神经嵌入
密码学与安全
2026-05-07 v2 人工智能
机器学习
网络与互联网体系结构
摘要
物联网(IoT)生态系统的快速扩张导致网络拓扑日益复杂和异构。传统的网络监控和可视化工具依赖于聚合指标或静态表示，无法捕捉设备之间演化的关系和结构依赖。虽然图神经网络(GNNs)提供了强大的从关系数据中学习的方式，但其内部表示往往难以解释，尤其在安全关键任务中。因此，本工作引入一种可解释的管道，通过将高维嵌入映射到潜在流形上，以生成直接可视化的低维表示。该投影使可解释的监控和演化网络状态的互操作性成为可能，同时集成的特征归因技术解码了塑造流形结构的具体特征。该框架在入侵检测任务中实现了 0.830 的分类 F1 分数，同时还能突出概念漂移等现象。最终，所提出的方法弥合了高维 GNN 嵌入与人类可理解网络行为之间的鸿沟，为网络管理员和安全分析师提供了新的洞见。
引用
@article{arxiv.2602.05817,
title = {Interpreting Manifolds and Graph Neural Embeddings from Internet of Things Traffic Flows},
author = {Enrique Feito-Casares and Francisco M. Melgarejo-Meseguer and Elena Casiraghi and Giorgio Valentini and José-Luis Rojo-Álvarez},
journal= {arXiv preprint arXiv:2602.05817},
year = {2026}
}