基于异构图神经网络与大语言模型的双模态网络入侵检测系统 XG-NID

在网络安全快速演变的领域，将流级（flow-level）和数据包级（packet-level）信息集成用于实时入侵检测仍是一个 largely 未被充分利用的研究方向。本文引入 XG-NID，一种新颖框架，据称是首个将流级和数据包级数据融合于异构图结构中，提供对网络流量的全面分析。利用具有图级分类能力的异构图神经网络（GNN），XG-NID 独特地实现了实时推理，同时有效捕捉流量与数据包负载数据之间的复杂关系。不同于传统基于 GNN 的方法主要分析历史数据的做法，XG-NID 旨在适应网络流量的异构性质，提供一种稳健且实时的防御机制。我们的框架超越了单纯的分类功能；它集成了大语言模型（LLM），生成详细的、可读的解释并建议潜在的 remedial（补救）措施，确保所产出的洞察既可操作又易于理解。此外，我们引入了基于时间信息的新型流特征，进一步增强了该模型提供的上下文和可解释推断。为促进实际应用和可及性，我们开发了 XG-NID，一个开源工具，使其能够从原始网络流量中提取并转换为所提议的异构图结构，无缝集成流级和数据包级数据。我们的全面定量比较分析表明，XG-NID 在多类别分类中实现了 97% 的 F1 分数，超越了现有基准和最先进的方法。这一成绩在网络入侵检测系统领域树立了新的标准，融合创新的数据融合技术，同时增强了解釋性和实时性。