論文の概要: GraphFaaS: Serverless GNN Inference for Burst-Resilient, Real-Time Intrusion Detection

• arxiv url: http://arxiv.org/abs/2511.10554v1
• Date: Fri, 14 Nov 2025 01:57:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.924839
• Title: GraphFaaS: Serverless GNN Inference for Burst-Resilient, Real-Time Intrusion Detection
• Title（参考訳）: GraphFaaS:Burst-Resilient, Real-Time Intrusion DetectionのためのサーバレスGNN推論
• Authors: Lingzhi Wang, Vinod Yegneswaran, Xinyi Shi, Ziyu Li, Ashish Gehani, Yan Chen,
• Abstract要約: プロヴァンスベースの侵入検知は、サイバーセキュリティにおけるグラフィカル機械学習の応用として、ますます人気が高まっている。 従来の静的にプロビジョンされたグラフネットワーク(GNN)は、侵入検出の2つの重要な要求を満たすには不十分である。 GNNベースの侵入検知に適したサーバーレスアーキテクチャであるGraphFを提案する。
• 参考スコア（独自算出の注目度）: 13.23114511657902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Provenance-based intrusion detection is an increasingly popular application of graphical machine learning in cybersecurity, where system activities are modeled as provenance graphs to capture causality and correlations among potentially malicious actions. Graph Neural Networks (GNNs) have demonstrated strong performance in this setting. However, traditional statically-provisioned GNN inference architectures fall short in meeting two crucial demands of intrusion detection: (1) maintaining consistently low detection latency, and (2) handling highly irregular and bursty workloads. To holistically address these challenges, we present GraphFaaS, a serverless architecture tailored for GNN-based intrusion detection. GraphFaaS leverages the elasticity and agility of serverless computing to dynamically scale the GNN inference pipeline. We parallelize and adapt GNN workflows to a serverless environment, ensuring that the system can respond in real time to fluctuating workloads. By decoupling compute resources from static provisioning, GraphFaaS delivers stable inference latency, which is critical for dependable intrusion detection and timely incident response in cybersecurity operations. Preliminary evaluation shows GraphFaaS reduces average detection latency by 85% and coefficient of variation (CV) by 64% compared to the baseline.
• Abstract（参考訳）: プロヴァンスベースの侵入検知は、サイバーセキュリティにおけるグラフィカル機械学習のますます一般的な応用であり、システムアクティビティは、潜在的に悪意のあるアクション間の因果関係と相関を捉えるプロバンスグラフとしてモデル化されている。 グラフニューラルネットワーク(GNN)はこの設定で強いパフォーマンスを示している。 しかし、従来の静的にプロビジョンされたGNN推論アーキテクチャは、(1)検出レイテンシを継続的に低く保ち、(2)非常に不規則でバースト的なワークロードを扱うという、侵入検出の重要な2つの要求を満たすには不十分である。 これらの課題に直感的に対処するために、GNNベースの侵入検出に適したサーバーレスアーキテクチャであるGraphFaaSを紹介します。 GraphFaaSは、サーバレスコンピューティングの弾力性とアジリティを活用して、GNN推論パイプラインを動的にスケールする。 私たちはGNNワークフローをサーバレス環境に並列化して適用し、システムが変動するワークロードに対してリアルタイムで応答できるようにします。 静的プロビジョニングから計算リソースを分離することにより、GraphFaaSは安定した推論レイテンシを提供する。 予備評価では、GraphFaaSは平均検出遅延を85%、変動係数(CV)を64%削減している。

関連論文リスト

• Self-Supervised Learning of Graph Representations for Network Intrusion Detection [6.453778601809096]
  GraphIDSは、表現学習と異常検出を統一する自己教師型侵入検出モデルである。 帰納的グラフニューラルネットワークは、各フローを局所的なトポロジカルコンテキストに埋め込んで、典型的なネットワークの振る舞いをキャプチャする。 Transformerベースのエンコーダデコーダは、これらの埋め込みを再構築し、自己注意を通じてグローバルな共起パターンを暗黙的に学習する。 推論中は、異常に高い復元誤差のフローが潜在的侵入としてフラグ付けされる。
  論文  参考訳（メタデータ） (2025-09-20T11:02:50Z)
• Incremental Causal Graph Learning for Online Cyberattack Detection in Cyber-Physical Infrastructures [25.567981742631005]
  リアルタイムの重要インフラに対するサイバー攻撃の脅威は、公共の安全に重大なリスクをもたらす。 従来のリアルタイム異常検出技術は、高いデータ分散とクラス不均衡に対する統計的感度のため、しばしば過剰な偽陽性に悩まされる。 本稿では,インクリメンタルな因果グラフ学習のための新しいフレームワークであるINCADETを提案する。
  論文  参考訳（メタデータ） (2025-07-18T22:27:13Z)
• ORCHID: Streaming Threat Detection over Versioned Provenance Graphs [11.783370157959968]
  本稿では,リアルタイムイベントストリーム上でプロセスレベルの脅威を詳細に検出する新しいProv-IDSであるORCHIDを提案する。 ORCHIDは、バージョン付き前処理グラフのユニークな不変特性を利用して、グラフ全体を逐次RNNモデルに反復的に埋め込む。 我々は、DARPA TCを含む4つの公開データセット上でORCHIDを評価し、ORCHIDが競合する分類性能を提供できることを示す。
  論文  参考訳（メタデータ） (2024-08-23T19:44:40Z)
• Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks [50.87615167799367]
  グラフニューラルネットワーク(GNN)は、特定のグラフのノード特徴をターゲットとして、バックドアを含む有毒な攻撃に対して認証する。 コンボリューションベースのGNNとPageRankベースのGNNの最悪の動作におけるグラフ構造の役割とその接続性に関する基本的な知見を提供する。
  論文  参考訳（メタデータ） (2024-07-15T16:12:51Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Unveiling the potential of Graph Neural Networks for robust Intrusion Detection [2.21481607673149]
  本稿では,グラフとして構造化された攻撃の流れパターンを学習するための新しいグラフニューラルネットワーク(GNN)モデルを提案する。 我々のモデルは従来の実験と同等の精度を維持することができる一方、最先端のML技術は敵攻撃下で50%の精度(F1スコア)を低下させる。
  論文  参考訳（メタデータ） (2021-07-30T16:56:39Z)
• 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。