EM-GAT：一种基于边缘增强技术的多跳图注意力网络，用于网络入侵检测

《Ad Hoc Networks》：EM-GAT: An Edge-enhanced Multi-hop Graph Attention Network for Network Intrusion Detection

　　

李远林|李峰|朱宗海|邢焕来

摘要

随着物联网设备的不断普及和互联网技术的不断发展，网络攻击变得越来越复杂。现有的入侵检测模型依赖于大规模、人工标注的数据集，这些数据集的收集成本高昂且耗时较长。此外，现实世界网络流量的严重类别不平衡问题常常导致少数类攻击被忽视。为了解决这些问题，我们提出了一种基于图神经网络（GNN）的半监督入侵检测框架。我们的方法引入了一种多跳注意力机制，将边特征整合到消息传递过程中，增强了模型捕捉局部拓扑结构和流量模式的能力，从而更好地表示特定的少数类攻击。同时，我们在教师-学生范式中采用了自适应伪标记策略，有效利用了未标记数据，并最小化了伪标记错误。这种设计提高了模型在数据不平衡环境下的鲁棒性。我们在四个不同的真实世界数据集上评估了该框架的性能：NF-BoT-IoT、NF-BoT-IoT-v2、NF-CSE-CIC-IDS2018 和 NF-ToN-IoT。实验结果表明，与最先进的基线方法相比，该框架的性能有了显著提升。具体而言，加权平均召回率/F1 分数提高了约 3.29%，宏观平均召回率/F1 分数提高了 13.22%。这些发现凸显了该方法在整体检测精度方面的优越性，以及其在处理特定复杂少数类攻击类型方面的强大能力。