arXiv:2304.07226

BS-GAT Behavior Similarity Based Graph Attention Network for Network Intrusion Detection

Yalu Wang, Zhijie Han, Jie Li, Xin He

제출 2023-04-07

원문 초록

With the development of the Internet of Things (IoT), network intrusion detection is becoming more complex and extensive. It is essential to investigate an intelligent, automated, and robust network intrusion detection method. Graph neural networks based network intrusion detection methods have been proposed. However, it still needs further studies because the graph construction method of the existing methods does not fully adapt to the characteristics of the practical network intrusion datasets. To address the above issue, this paper proposes a graph neural network algorithm based on behavior similarity (BS-GAT) using graph attention network. First, a novel graph construction method is developed using the behavior similarity by analyzing the characteristics of the practical datasets. The data flows are treated as nodes in the graph, and the behavior rules of nodes are used as edges in the graph, constructing a graph with a relatively uniform number of neighbors for each node. Then, the edge behavior relationship weights are incorporated into the graph attention network to utilize the relationship between data flows and the structure information of the graph, which is used to improve the performance of the network intrusion detection. Finally, experiments are conducted based on the latest datasets to evaluate the performance of the proposed behavior similarity based graph attention network for the network intrusion detection. The results show that the proposed method is effective and has superior performance comparing to existing solutions.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.26737v1cs.SI공통 태그 Graph Attention, Graph Neural Network

확산 유도 공간 어텐션 기반 중첩 커뮤니티 탐지

Diffusion-Induced Spatial Attention Overlapping Community Detection

중첩 커뮤니티 탐지는 노드가 여러 구조적 또는 기능적 그룹에 동시에 속하는 네트워크를 모델링하는 데 필수적이다. 기존 그래프 신경망 접근법은 일반적으로 국소 메시지 패싱에 의존하는데, 이는 스무딩(smoothing)으로 인해 커뮤니티 경계를 흐릴 수 있으며 구조적으로 관련된 장거리 의존성의 표현을 제한한다. 본 논문에서는 영향력 확산 동역학에서 도출한 구조적 사전 분포(structural prior), 희소 멀티헤드 어텐션, 비음수 커뮤니티 소속도 학습을 결합한 딥러닝 프레임워크인 DISCO(Diffusion-Induced Spatial Attention Community Detection)를 제안한다. 이 사전 분포는 직접 인접한 이웃 너머의 후보 상호작용을 식별하고 구조적 근접도에 따라 어텐션에 편향을 부여하며, 베르누이-푸아송(Bernoulli-Poisson) 엣지 재구성 목적 함수는 노드 속성, 구조적 프로파일 또는 이 둘 모두로부터 중첩 커뮤니티를 추론할 수 있게 한다. 벤치마크 실험 결과, DISCO는 다양한 입력 구성에서 기존의 그래프 합성곱 및 그래프 어텐션 접근법과 대등한 성능을 보였다. 실용적 적용 가능성을 보이기 위해, 연속된 통신 네트워크 스냅샷에서 추론한 커뮤니티 할당 간의 변화가 해석 가능한 이상 징후 신호를 제공하는 사이버 보안 사용 사례를 개념 증명(proof-of-concept)으로 제시한다. 시간적 커뮤니티 유사도는 구조적 이탈을 식별하고, 노드 수준의 기여도는 이와 관련된 장치를 찾는 데 도움을 준다. 따라서 DISCO는 중첩 커뮤니티 탐지를 위한 유연한 방법이자 동적 네트워크의 구조적 변화를 분석하기 위한 기반을 제공한다.

arXiv:2607.22875v1cs.LG공통 태그 Graph Attention, Graph Neural Network

Graph Attention Network를 이용한 토양 미세플astics 및 유기물의 공간 예측

Spatial Prediction of Soil Microplastics and Organic Matter Using Graph Attention Networks

토양 미세플astics 및 유기물의 정확한 추정은 생태계 건강을 평가하고 지속 가능한 토지 이용을 지원하는 데 필수적이다. 본 연구는 91개의 지리좌표가 부여된 토양 시료 간 공간적 의존성을 모델링하기 위해 Graph Attention Networks(GAT)를 사용하는 그래프 기반 심층 학습 접근법을 제시한다. 공간 좌표, 토양 특성, 토지 이용 데이터를 통합하여 지역적 상호작용을 포착하는 2층 GAT 아키텍처를 개발하였다. 최종 모델은 우수한 성능을 보였으며, 미세플astics에 대해 RMSE 625.06($R^2 = 0.87$), 유기물에 대해 0.43($R^2 = 0.91$)을 달성하였다. 그러나 교차 검증 결과 일반화 성능이 제한적임이 드러났으며, 이는 아마도 작은 표본 크기와 희소한 그래프 구조 때문인 것으로 보인다. 이러한 결과는 공간적 토양 예측에서 GAT의 잠재력을 보여주며, 밀집된 데이터셋과 개선된 그래프 연결성의 필요성을 강조한다.

arXiv:2607.10131v1cs.LG공통 태그 Graph Attention, Graph Neural Network

SALT-GNN: 통계 인식 어텐션을 통한 자금세탁방지 그래프에서의 밀집 이웃 처리

SALT-GNN: Handling Dense Neighborhoods in Anti-Money Laundering Graphs via Statistics-Aware Attention

자금세탁은 금융 안정성을 위협하고 기관을 제재 위험에 노출시키므로, 자동화된 탐지에 대한 동기를 제공한다. 세탁 수법은 관계적 패턴을 통해 나타나는 경우가 많기 때문에, 그래프 신경망(GNN)이 자금세탁방지(AML)에 점점 더 많이 활용되고 있다. 그러나 AML GNN은 일반적으로 전체 F1 점수와 같은 집계 지표로 평가되며, 이는 운영상의 문제를 숨긴다: 고활동 수신 계좌에는 많은 수신 거래가 집중되어 의심스러운 신호를 격리하기 어렵고 조사 비용도 더 높아진다. 우리는 수신자 차수 계층화 평가(recipient-degree stratified evaluation)를 도입하여 수신자 컨텍스트 밀도에 따른 표준 AML 지표를 보고한다. 세 가지 데이터셋(HI-Small, HI-Medium, AMLSim-32k-5%)에 걸쳐, 이 평가는 밀집 수신자 컨텍스트에서의 일관된 성능 저하를 드러내며, 이를 세 가지 GNN 특성으로 추적한다: AML이 증폭시키는 두 가지 알려진 한계, 즉 (1) 멀티셋 비식별성(multiset non-discriminability)과 (2) 카디널리티 맹목성(cardinality blindness), 그리고 (3) 어텐션 특화 효과: 밀집 이웃에서 정규화된 어텐션이 약하지만 패턴과 관련된 다중 홉 신호를 약화시킨다. 이 진단을 바탕으로, 우리는 각 메시지 전달 층에서 차수 인식 통계 집계와 어텐션을 융합하는 경량 통계 인식 아키텍처인 SALT-GNN을 제안한다. 이를 통해 분포 및 카디널리티 정보가 후속 어텐션 단계에서 사용되는 노드 상태를 형성한다. 절제 실험은 밀집 컨텍스트 성능에서 융합 위치가 핵심 요인임을 지지한다. HI-Small 및 HI-Medium에서 SALT-GNN은 태스크 특화 그래프-트랜스포머 기준 모델 대비 최대 77% 적은 파라미터를 사용하면서 밀집 컨텍스트 F1 점수를 3-6점 향상시키고, AMLSim-32k-5%에서는 최고 차수 F1 점수를 16-20점 향상시킨다. 이 성능 향상은 트랜스포머 및 GAT 방식 어텐션 모두에서 유지되어, 그 이점이 특정 어텐션 연산자가 아닌 통계적 증거와 어텐션 증거가 융합되는 위치에서 비롯됨을 나타낸다.

arXiv:2607.02981v1cs.CR공통 태그 Intrusion Detection, Graph Neural Network

GNN과 KAN을 활용한 IoT 네트워크 침입 탐지를 위한 향상된 특징 추출

Enhanced Feature Extraction for IoT Network Intrusion Detection Using GNNs and KAN

사물인터넷(IoT)의 최근 발전은 고급 네트워크 보안에 대한 긴박한 필요성을 강조하는데, IoT 네트워크는 동적 토폴로지, 불균형 트래픽, 복잡한 공격 패턴을 특징으로 한다. 일반 IT 네트워크와 달리 IoT 환경은 극도의 이기종성과 희소한 토폴로지를 보인다. 기존 GNN 기반 침입 탐지 방법은 이러한 환경에서 노드 및 에지 특징을 효율적으로 모델링하거나 세밀한 이상 징후를 포착하는 데 어려움을 겪는 경우가 많다. 이를 해결하기 위해, 우리는 다중 스케일 선택적 커널 어텐션 메커니즘으로 GraphSAGE를 강화하는 IoT 맞춤형 새로운 접근법인 SKGFusionKAN을 제안한다. 이를 통해 다양한 트래픽 조건에서 노드 및 에지 특징을 적응적으로 추출할 수 있다. 구체적으로, 에지 중심 메시지 패싱(edge-oriented message passing)이 정보 전파를 강화하는 한편, 선택적 커널 어텐션은 이기종성을 처리하기 위해 서로 다른 스케일에서 에지 파생 정보에 적응적으로 가중치를 부여한다. 또한 진화하는 공격에 대한 강건성을 향상시키기 위해 다중 스케일 특징을 동적으로 통합하는 게이트 융합 프로세스를 도입한다. 마지막으로, 분류를 위해 Kolmogorov-Arnold Networks(KAN)를 활용하여 복잡하고 저빈도 공격 탐지에 필수적인 우수한 비선형 모델링 능력을 제공한다. 우리가 아는 한, 이 연구는 IoT 침입 탐지를 위한 전용 아키텍처 혁신과 함께 GNN 및 KAN의 포괄적인 통합을 제시한다. 네 가지 NIDS 벤치마크에 대한 광범위한 실험을 통해 SKGFusionKAN이 이진 및 다중 클래스 태스크에서 최신 기법들을 일관되게 능가함을 보여주며, IoT 보안에 대한 잠재력을 입증한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.