PPT-GNN：面向网络安全的实用预训练时空图神经网络
机器学习
2024-06-21 v1 人工智能
密码学与安全
摘要
近期研究表明，图神经网络（GNN）在网络入侵检测中具有潜力。尽管如此，现有方法与实际场景之间仍存显著差距：实际场景中检测速度至关重要，而现有方法 operate on 表示数小时流量的大型图。这种差距导致不切实际的运行条件和 impractically 的检测延迟。此外，现有模型在不同网络间的泛化能力较差，阻碍其在生产环境中的部署。为此，我们引入PPTGNN，一种用于入侵检测的实用时空GNN。PPTGNN实现近实时预测，同时更好地捕捉网络攻击的时空动态。PPTGNN采用自监督预训练以提升性能并降低对标记数据的依赖。我们在三个公开数据集上评估PPTGNN，表明其在准确率上显著优于E-ResGAT和E-GraphSAGE等最先进模型，平均提升10.38%。最后，我们展示预训练的PPTGNN可轻松微调至未见网络，仅需少量标记样本。这凸显了PPTGNN作为通用大规模预训练模型的潜力，能有效应对多样化的网络环境。
引用
@article{arxiv.2406.13365,
title = {PPT-GNN: A Practical Pre-Trained Spatio-Temporal Graph Neural Network for Network Security},
author = {Louis Van Langendonck and Ismael Castell-Uroz and Pere Barlet-Ros},
journal= {arXiv preprint arXiv:2406.13365},
year = {2024}
}
备注
Paper currently under review. Code will be made public upon acceptance. 8 pages long, 4 figures