.png){kind=icon}
返回
Self supervised intrusion detection algorithm based on dynamic spatiotemporal graph
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-026-07371-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着数字转型的推进，网络威胁日益严峻，网络环境日益增长的复杂性和动态性为入侵检测带来了重大挑战。传统方法依赖静态特征和规则库，难以检测未知攻击和零日攻击。现有的深度学习方法往往忽视网络拓扑的时空演变，限制了其有效性——尤其是在标注数据稀缺的情况下。为解决这些局限性，我们提出了一种基于时序动态时空图（TS-DSGNN）的自监督入侵检测算法。TS-DSGNN将网络流量转换为动态时空图序列，并采用GCN–GRU层深度融合空间拓扑与时间依赖关系，捕捉主机间的演变交互。我们进一步引入了一种时序自监督学习方案，结合属性重构与多视图比较任务，使模型能够从无标注数据中学习通用的流量表示，从而减少对人工标注的依赖。在包括NF-BoT-IoT和NF-CSE-CIC-IDS2018在内的四个异构数据集上的实验表明，TS-DSGNN在关键指标上显著优于主流基线：异常检测准确率范围为98.85%至99.78%，展示了在动态网络环境中识别复杂攻击的强有效性和泛化能力。
Keyword:
Dynamic spatiotemporal graph
Graph neural network
Self-supervised learning
Intrusion detection
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
引用论文
GNN-Based Network Traffic Analysis for the Detection of Sequential Attacks in IoT基于GNN的网络流量分析，用于检测物联网中的顺序攻击.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏Anomal-E: A self-supervised network intrusion detection system based on graph neural networksAnomal-e: 基于图神经网络的自监督网络入侵检测系统
OAAI
OAAI分享收藏XMF-GNN: A cross-modality dynamic fusion heterogeneous graph neural network for network intrusion detectionXMF-GNN：一种用于网络入侵检测的跨模态动态融合异构图神经网络NeurocomputingOAAI
NeurocomputingIF6.5
OAAI分享收藏
查看更多内容