.png){kind=icon}
返回
Graph-Based Intrusion Detection with Explainable Edge Classification Learning
.png){kind=icon}
PRE
AI
DOI：10.32604/cmc.2025.068767.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络攻击已成为互联网安全领域的关键问题。基于人工智能技术的检测方法已引起关注；然而，近期研究难以适应变化的攻击模式和复杂的网络环境。此外，难以使用人工智能逻辑解释检测结果。我们提出了一种使用图模型对网络攻击进行分类的方法以解释检测结果。首先，我们将网络数据包数据重构为图结构。然后使用图模型通过边分类预测网络攻击。为解释预测结果，我们通过随机掩码和计算邻居重要性观察数值变化，从而提取显著子图。我们在六个公开数据集上的实验表明，该方法平均F1得分为0.960，准确率为0.964，优于传统机器学习和其他图模型。提取的子图的可视化表示突出了对结果影响最大的邻近节点，从而解释了检测过程。总之，本研究表明基于图模型适合在复杂环境中检测网络攻击，且可以计算图邻居的重要性以高效分析结果。该方法可为实际网络安全分析做出贡献，并为该领域提供新方向。
Keyword:
Intrusion detection
graph neural network
explainable AI
network attacks
GraphSAGE
期刊
C
IF:
1.7
论文数:
518
被引数:
0
机构
引用论文
暂无论文信息