GraphDL：一种基于可视性图的结构化表示框架，用于基于流量的网络攻击检测

《Scientific Reports》：GraphDL: A visibility graph-based structural representation framework for flow-based cyber-attack detection

　　

摘要

在现代网络环境中，网络攻击的多样性和数量不断增加，这凸显了对能够模拟复杂流量行为的先进入侵检测方法的需求。特别是，捕捉基于流量的网络流量中的时间和结构依赖性对于传统的基于特征的方法来说仍然是一个重大挑战。在这项研究中，提出了一种名为GraphDL的基于图的结构表示框架，用于基于流量的网络攻击检测。在该方法中，使用滑动窗口机制将网络流量数据分割成时间帧，并为每个流量特征构建自然可见性图（NVGs）。从生成的可见性图中提取各种图论指标，包括度中心性、接近中心性、介数中心性和聚类系数，以构建结构特征表示。这些基于图的描述符随后通过基于卷积神经网络（CNN）的分类架构进行处理，用于入侵检测。该框架在CICIDS2018数据集上进行了不同时间窗口和特征配置下的评估。实验结果表明，所提出的方法的准确率范围为75.81%至96.73%，加权F1分数范围为72.32%至96.65%。此外，还进行了一项消融研究，将所提出的GraphDL框架与使用原始流量特征的Raw-CNN基线进行了比较，以分析基于可见性图的表示的贡献。结果表明，尽管Raw-CNN基线具有较高的预测性能且计算成本较低，但所提出的GraphDL框架提供了一种替代的基于图的表示方法，用于模拟时间和非线性流量行为。此外，该研究还分析了结构表示能力与可见性图构建和图指标提取引入的计算开销之间的权衡。研究结果表明，基于可见性图的表示可能为未来的基于图的入侵检测研究提供一种可行的结构建模方法。