面向动态图的噪声鲁棒单类入侵检测
机器学习
2025-08-21 v1 机器学习
摘要
在网络入侵检测领域，对受污染和噪声输入的鲁棒性仍是一个关键挑战。本研究引入了 Temporal Graph Network Support Vector Data Description（TGN-SVDD）模型的概率版本，旨在提高含噪声输入时的检测准确性。通过为每个网络事件预测高斯分布的参数，该模型能够自然应对噪声对抗样本，并在与基线模型相比时提高鲁棒性。我们在修改的 CIC-IDS2017 数据集上进行实验，加入合成噪声，实验结果显示在噪声水平升高时，与基线 TGN-SVDD 模型相比，检测性能显著提升。
引用
@article{arxiv.2508.14192,
title = {Noise Robust One-Class Intrusion Detection on Dynamic Graphs},
author = {Aleksei Liuliakov and Alexander Schulz and Luca Hermes and Barbara Hammer},
journal= {arXiv preprint arXiv:2508.14192},
year = {2025}
}