.png){kind=icon}
返回
Trace2Vec: Detecting complex multi-step attacks with explainable graph neural network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111363.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
复杂多步攻击已对众多关键基础设施造成了显著损害。识别此类攻击的模式是一项具有挑战性的任务，基于图神经网络的方法通过将系统事件建模为图，已展现出有前景的结果。然而，现有方法在实际部署中仍面临若干局限性。首先，缺乏充足的实攻击数据，尤其是在正常数据量巨大的情况下。其次，由于事件具有动态性和异构性，攻击模式复杂且随时间演变。第三，学习模型缺乏可解释性削弱了此类方法在生产环境中的可信度。为应对上述挑战，本文提出了一种攻击检测方法TRACE2VEC。该方法首先设计了一个腐败函数以增强稀有攻击样本，并将其整合到事件图中。接着，它利用连续时间动态异构图神经网络对事件图进行建模。最后，该方法采用蒙特卡洛树搜索算法识别对攻击贡献更大的事件，从而增强检测结果的可解释性。我们已实现TRACE2VEC的原型，实验评估表明其检测和解释性能优于现有方法。
Keyword:
Complex multi-step attack
Anomaly detection
Dynamic heterogeneous graph
Attack sample construction
Explainability
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
On Evaluating Black-Box Explainable AI Methods for Enhancing Anomaly Detection in Autonomous Driving Systems关于评估黑盒可解释的AI方法以增强自动驾驶系统中的异常检测.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏MF-Net: Multi-frequency intrusion detection network for Internet traffic dataPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Depth-based subgraph convolutional auto-encoder for network representation learning用于网络表示学习的基于深度的子图卷积自动编码器PATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏分享收藏分享收藏
Graph fairing convolutional networks for anomaly detection用于异常检测的图光顺卷积网络PATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏
查看更多内容