Core Concepts
グラフ畳み込みネットワーク(GCN)を使用して、フロー特徴とトポロジー特徴を深く融合することで、効果的なボットネット検出手法を提案する。
Abstract
ボットネットの特性は、通信挙動とボット間の相互通信関係に主に現れる。
既存のボットネット検出方法は、通常、フロー特徴またはトポロジー特徴のいずれか一方だけを使用する。
提案された手法は、事前学習GCNフレームワークを使用して、フローやトポロジ情報が含まれる最終隠れ層から得られた特徴出力をExtra Tree分類モデルに入力し、C2およびP2P型のボットネットを効果的に検出できることが示されている。
グラフ畳み込みニューラルネット(GNN)の進歩
GNNに基づく新しいアプローチが提案されており、これらの方法はGCNまたはGINを適用してターゲット通信グラフの深いトポロジ表現を学習し、完全連結層を利用してグラフの節点を分類します。
ファイナンス効果的な流れとトポロジー特徴
GCNがグラフデータを処理する際には、節点属性と節点間接続関係が利用されます。
ファイナンス効果的な流れでは5つの重要な流れ特徴が選択されています。
事前学習プロセス
GCNの事前学習段階では、公開グラフデータセットが使用されます。
この段階ではGCNはバランスの取れたグラフデータセットで事前訓練されます。
実験結果
公開データセット上で提案手法が他の最先端手法よりも優れていることが示されています。
実世界データセットでも有効性が確認されました。
Quotes
"我々は初めて、流量特性とトポロジー特性を深く融合させるbotnet検出モデルを提案します。"
"実験結果は、当社のアプローチが現行最先端botnet検出モデルよりも優れており、実世界でのbotnet検出シナリオでも良好なパフォーマンスを発揮します。"