面向入侵检测的元图神经网络构建与分析.pdfVIP

第

49

卷

第

7

期自

动

化

学

报Vol.

49,

No.

7

2023

年

7

月ACTA

AUTOMATICA

SINICAJuly,

2023

面向入侵检测的元图神经网络构建与分析

1111

王振东

徐振宇

李大海

王俊岭

摘要

网络入侵样本数据特征间存在未知的非欧氏空间图结构关系,

深入挖掘并利用该关系可有效提升网络入侵检测

方法的检测效能.

对此,

设计一种元图神经网络(Meta

graph

neural

network,

MGNN),

MGNN能够对样本数据特征内部

隐藏的图结构关系进行挖掘与利用,

在应对入侵检测问题时优势明显.

首先,

设计元图网络层(Meta

graph

network

layer,

MGNL),

挖掘出样本数据特征内部隐藏的图结构关系,

并利用该关系对样本数据的原始特征进行更新;

然后,

针对MGNN

存在的图信息传播过程中父代信息湮灭现象提出反信息湮灭策略,

并设计了注意力损失函数,

简化MGNN中实现注意力

机制的运算过程.

KDD-NSL、UNSW-NB15、CICDoS2019数据集上的实验表明,

与经典深度学习算法深度神经网络

(Deep

neural

network,

DNN)、卷积神经网络(Convolutional

neural

network,

CNN)、循环神经网络(Recurrent

neural

network,

RNN)、长短期记忆(Long

short-term

memory,

LSTM)和传统机器学习算法支持向量机(Support

vector

ma-

chine,

SVM)、决策树(Decision

tree,

DT)、随机森林(Random

forest,

RF)、K-最近邻(K-nearest

neighbor,

KNN)、逻辑

回归(Logistic

regression,

LR)相比,

MGNN在准确率、F1值、精确率、召回率评价指标上均具有良好效果.

关键词

入侵检测,

元图神经网络,

深度学习,

图结构

引用格式

王振东,

徐振宇,

李大海,

王俊岭.

面向入侵检测的元图神经网络构建与分析.

自动化学报,

2023,

49(7):

1530−1548

DOI

10.16383/j.aas.c200819

ConstructionandAnalysisofMetaGraphNeuralNetworkforIntrusionDetection

1111

WANG

Zhen-Dong

XU

Zhen-Yu

LI

Da-Hai

WANG

Jun-Ling

Abstract

There

is

an

unknown

non-European

spatial

graph

structure

relationship

among

network

intrusion

sample

data

characteristics.

Deeply

digging

and

using

this

relationship

can

effectively

improve

the

detection

efficiency