KnowGraph：基于图数据逻辑推理的知识增强异常检测

基于图的异常检测是诸多安全应用中的关键技术，如交易网络中的欺诈检测和网络流量的入侵检测。标准方法，包括图神经网络（GNN），常常难以在数据分布变化的情况下获得良好泛化性。与此同时，真实的领域知识更为稳定，是实际检测策略中普遍存在的组成部分。为将此类知识显式地集成到如GCN等数据驱动模型中，我们提出KnowGraph，通过将领域知识与数据驱动学习相结合来提升基于图的异常检测性能。KnowGraph由两个主要组件构成：（1）统计学习组件，利用主模型完成整体检测任务，同时通过多个专门的知识模型预测领域特定的语义实体；（2）推理组件，采用概率图模型执行基于模型输出的逻辑推理，通过带权的一阶逻辑公式编码领域知识。对这些大规模真实数据集进行的广泛实验表明，KnowGraph在transductive和inductive设置下均优于最先进的基线方法，在对完全未见测试图进行泛化时，平均精度获得显著提升。进一步的消融研究表明，所提出的推理组件在提升检测性能方面效果显著，尤其在类别极度不平衡的情况下。这一结果凸显了将领域知识集成到面向高风险图基安全应用的数据驱动模型中所具有的潜力。