Grunnleggende konsepter
GNNを使用した自己教師付き学習は、NIDSの多クラス分類において有望な手法である。
Sammendrag
この記事では、Graph Neural Networks(GNNs)を使用して、Network Intrusion Detection System(NIDS)向けの自己教師付き学習方法が提案されています。従来のGNNモデルと比較して、提案された手法はエッジ情報に焦点を当て、効果的な結果を示すことが示されています。具体的には、NetFlowデータからグラフ表現への変換や、新しいエンコーダーNEGATの導入などが行われました。さらに、提案された自己教師付き学習フレームワークNEGSCは、異常挙動の特定や攻撃タイプの識別に成功しています。実験結果では、多くの公開データセットで優れた性能が示されています。
Statistikk
NF-BoT-IoT: 600,100 network flows, 13,859 benign samples, 586,241 attack samples
NF-BoT-IoT-v2: 37,763,497 network flows, 135,037 benign samples, 37,628,460 attack samples
NF-CSE-CIC-IDS2018: 8,392,401 network flows, 7,373,198 benign samples, 1,019,203 attack samples
NF-CSE-CIC-IDS2018-v2: 18,893,708 network flows, 16.635.567 benign samples ,2.258.141 attack samples
Sitater
"Graph Neural Networks (GNNs) have garnered intensive attention for Network Intrusion Detection System (NIDS) due to their suitability for representing the network traffic flows."
"Most DL-based NIDS directly apply GNN models."
"The proposed NEGSC follows a similar framework as that of GSC."