Centrala begrepp
Anwendung von GNNs für die multiklassige Klassifizierung von Netzwerkflüssen in NIDS durch selbstüberwachtes Lernen.
Sammanfattning
Graph Neural Networks (GNNs) für Netzwerkeindringungserkennung
Selbstüberwachtes Lernen für die Identifizierung von Netzwerkflüssen
Experimente mit realen Datenbanken zur Bewertung der Methode
Effiziente Verarbeitung von Netzwerkflüssen durch Encoder und Kontrastverlustfunktionen
Statistik
Die NF-BoT-IoT-v2 enthält 37,763,497 Netzwerkflüsse, von denen 135,037 gutartig und 37,628,460 Angriffsmuster sind.
Die NF-CSE-CIC-IDS2018-v2 enthält 18,893,708 Netzwerkflüsse, von denen 16,635,567 gutartig und 2,258,141 Angriffsmuster sind.
Citat
"Wir schlagen NetFlow-Edge Generative Subgraph Contrast (NEGSC) vor, eine selbstüberwachte Graphrepräsentationslernmethode zur Identifizierung von Angriffen und deren spezifischen Typen."
"NEGAT hilft NEGSC, wichtige Informationen aus den Rohdaten von Netzwerkflüssen zu extrahieren."