基于边导向图多头注意力网络的网络入侵检测
密码学与安全
2023-10-27 v1
摘要
网络入侵通常涉及多个网络位置。这些位置（通常由 IP 地址表示）之间的数据流（包括入侵行为产生的数据）自然形成图。因此，图神经网络（GNNs）近年来被用于构建入侵检测模型，因为它们具有出色地捕捉入侵数据流图拓扑特征的能力。然而，现有的 GNN 模型在节点信息聚合中对节点均值聚合一视同仁。实际上，节点与其邻居以及相连边之间的相关性是不同的。对具有高相似度的节点和边赋予更高权重可以突出它们之间的相关性，从而提升模型的准确性与表达能力。为此，本文提出新颖的边导向图多头注意力网络（EDGMAT）用于网络入侵检测。所提出的 EDGMAT 模型将多头注意力机制引入入侵检测模型。通过多头注意力机制与边特征的组合实现了额外的权重学习。加权聚合更好地利用了不同网络流量数据之间的关系。在四个近期 NIDS 基准数据集上的实验结果表明，EDGMAT 在加权 F1 分数上的性能显著优于四种 SOTA 模型在多分类检测任务中的表现。
引用
@article{arxiv.2310.17348,
title = {Network Intrusion Detection with Edge-Directed Graph Multi-Head Attention Networks},
author = {Xiang Li and Jing Zhang and Yali Yuan and Cangqi Zhou},
journal= {arXiv preprint arXiv:2310.17348},
year = {2023}
}