传统网络异常流量检测方法存在忽略网络拓扑结构、获取标注数据成本高等问题,导致模型的准确率和泛化性较低。为此,文中提出了一种基于图神经网络和自监督学习的检测方法。利用网络流量数据的特点构建自监督图对比学习任务,通过边特征...传统网络异常流量检测方法存在忽略网络拓扑结构、获取标注数据成本高等问题,导致模型的准确率和泛化性较低。为此,文中提出了一种基于图神经网络和自监督学习的检测方法。利用网络流量数据的特点构建自监督图对比学习任务,通过边特征变换和边遮掩进行流量图增强生成对比样本。改进基于GraphSAGE(Graph SAmple and aggreGatE)的图编码器以充分利用相关关系来丰富节点的特征表示。使用适合对比学习的InfoNCE损失函数训练图编码器的参数,实现自主学习特征表示,摆脱对网络流量标签数据的依赖,并提高网络异常流量检测的准确率。实验结果表明,所提模型在没有标签数据的情况下在检测异常网络流量性能方面表现良好,在两个公开数据集上的F1值分别达到了92.64%和90.97%。展开更多
文摘传统网络异常流量检测方法存在忽略网络拓扑结构、获取标注数据成本高等问题,导致模型的准确率和泛化性较低。为此,文中提出了一种基于图神经网络和自监督学习的检测方法。利用网络流量数据的特点构建自监督图对比学习任务,通过边特征变换和边遮掩进行流量图增强生成对比样本。改进基于GraphSAGE(Graph SAmple and aggreGatE)的图编码器以充分利用相关关系来丰富节点的特征表示。使用适合对比学习的InfoNCE损失函数训练图编码器的参数,实现自主学习特征表示,摆脱对网络流量标签数据的依赖,并提高网络异常流量检测的准确率。实验结果表明,所提模型在没有标签数据的情况下在检测异常网络流量性能方面表现良好,在两个公开数据集上的F1值分别达到了92.64%和90.97%。
