論文の概要: Graph-based Solutions with Residuals for Intrusion Detection: the
Modified E-GraphSAGE and E-ResGAT Algorithms
- arxiv url: http://arxiv.org/abs/2111.13597v1
- Date: Fri, 26 Nov 2021 16:51:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 18:23:47.342168
- Title: Graph-based Solutions with Residuals for Intrusion Detection: the
Modified E-GraphSAGE and E-ResGAT Algorithms
- Title（参考訳）: 侵入検出のための残差付きグラフベースソリューション:修正E-GraphSAGEとE-ResGATアルゴリズム
- Authors: Liyan Chang and Paula Branco
- Abstract要約: 本稿では,E-GraphSAGEとE-ResGATalgorithmsの2つの新しいグラフによる侵入検出手法を提案する。
キーとなる考え方は、利用可能なグラフ情報を活用した残差学習をGNNに統合することである。
近年の4つの侵入検知データセットの広範囲な実験的評価は、我々のアプローチの優れた性能を示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The high volume of increasingly sophisticated cyber threats is drawing
growing attention to cybersecurity, where many challenges remain unresolved.
Namely, for intrusion detection, new algorithms that are more robust,
effective, and able to use more information are needed. Moreover, the intrusion
detection task faces a serious challenge associated with the extreme class
imbalance between normal and malicious traffics. Recently, graph-neural network
(GNN) achieved state-of-the-art performance to model the network topology in
cybersecurity tasks. However, only a few works exist using GNNs to tackle the
intrusion detection problem. Besides, other promising avenues such as applying
the attention mechanism are still under-explored. This paper presents two novel
graph-based solutions for intrusion detection, the modified E-GraphSAGE, and
E-ResGATalgorithms, which rely on the established GraphSAGE and graph attention
network (GAT), respectively. The key idea is to integrate residual learning
into the GNN leveraging the available graph information. Residual connections
are added as a strategy to deal with the high-class imbalance, aiming at
retaining the original information and improving the minority classes'
performance. An extensive experimental evaluation of four recent intrusion
detection datasets shows the excellent performance of our approaches,
especially when predicting minority classes.
- Abstract（参考訳）: ますます高度なサイバー脅威が高まり、多くの課題が解決されていないサイバーセキュリティに注目が集まっている。
すなわち、侵入検出には、より堅牢で効果的で、より多くの情報を利用できる新しいアルゴリズムが必要である。
さらに、侵入検知タスクは、通常のトラフィックと悪意のあるトラフィックの極端な不均衡に関連する深刻な課題に直面している。
近年,サイバーセキュリティタスクにおけるネットワークトポロジをモデル化するために,グラフニューラルネットワーク(GNN)が最先端のパフォーマンスを達成した。
しかし、侵入検知問題に対処するためにGNNを用いた研究はごくわずかである。
また、注意機構を適用するなどの他の有望な道はまだ未検討のままである。
本稿では,既存のグラフアテンションネットワーク(GAT)とグラフアテンションネットワーク(GAT)に依存する2つの新しいグラフ検出ソリューション,E-GraphSAGEとE-ResGATalgorithmを提案する。
キーとなるアイデアは、利用可能なグラフ情報を活用した残差学習をGNNに統合することだ。
残余接続は、元の情報の保持とマイノリティクラスのパフォーマンス向上を目的として、上位クラスの不均衡に対処する戦略として追加される。
最近の4つの侵入検知データセットの広範な実験的評価は、特にマイノリティクラスの予測において、我々のアプローチの優れた性能を示している。
関連論文リスト
- Multi-agent Reinforcement Learning-based Network Intrusion Detection System [3.4636217357968904]
侵入検知システム(IDS)は,コンピュータネットワークのセキュリティ確保において重要な役割を担っている。
本稿では,自動,効率的,堅牢なネットワーク侵入検出が可能な,新しいマルチエージェント強化学習(RL)アーキテクチャを提案する。
我々のソリューションは、新しい攻撃の追加に対応し、既存の攻撃パターンの変更に効果的に適応するように設計されたレジリエントなアーキテクチャを導入します。
論文 参考訳（メタデータ） (2024-07-08T09:18:59Z) - Graph Transductive Defense: a Two-Stage Defense for Graph Membership Inference Attacks [50.19590901147213]
グラフニューラルネットワーク(GNN)は、さまざまな現実世界のアプリケーションにおいて、強力なグラフ学習機能を提供する。
GNNは、メンバーシップ推論攻撃(MIA)を含む敵攻撃に対して脆弱である
本稿では,グラフトランスダクティブ学習特性に合わせて,グラフトランスダクティブ・ディフェンス(GTD)を提案する。
論文 参考訳（メタデータ） (2024-06-12T06:36:37Z) - Identifying Backdoored Graphs in Graph Neural Network Training: An Explanation-Based Approach with Novel Metrics [13.93535590008316]
グラフニューラルネットワーク(GNN)は多くのドメインで人気を集めているが、バックドア攻撃に弱い。
グラフレベルの説明を創造的に活用する新しい検出法を考案した。
提案手法は, バックドア攻撃に対するGNNの安全性向上に寄与し, 高い検出性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2024-03-26T22:41:41Z) - HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。
本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文 参考訳（メタデータ） (2024-01-18T12:47:13Z) - Efficient Network Representation for GNN-based Intrusion Detection [2.321323878201932]
過去数十年間、深刻な経済とプライバシーの被害を受けたサイバー攻撃の数が増加している。
本稿では,侵入検知タスクのトポロジ情報の提供を目的とした,フローのグラフとしての新しいネットワーク表現を提案する。
提案するグラフ構造を利用したグラフニューラルネットワーク(GNN)に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-11T16:10:12Z) - MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。
我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文 参考訳（メタデータ） (2022-08-21T15:12:08Z) - Anomal-E: A Self-Supervised Network Intrusion Detection System based on
Graph Neural Networks [0.0]
本稿では,自己教師型ネットワーク侵入と異常検出のためのグラフニューラルネットワーク(GNN)の応用について検討する。
GNNは、グラフ構造を学習に組み込んだグラフベースのデータのためのディープラーニングアプローチである。
本稿では, エッジ特徴とグラフトポロジ構造を利用したGNNによる侵入・異常検出手法であるAnomal-Eを提案する。
論文 参考訳（メタデータ） (2022-07-14T10:59:39Z) - Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。
ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。
よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
論文 参考訳（メタデータ） (2021-10-04T03:42:09Z) - Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。
本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-28T17:55:04Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。