面向入侵检测的元图神经网络构建与分析
文献类型：期刊论文
| 作者 | 王振东; 徐振宇; 李大海; 王俊岭 |
| 刊名 | 自动化学报
 |
| 出版日期 | 2023 |
| 卷号 | 49期号:7页码:1530-1548 |
| 关键词 | 入侵检测 元图神经网络 深度学习 图结构 |
| ISSN号 | 0254-4156 |
| DOI | 10.16383/j.aas.c200819 |
| 英文摘要 | 网络入侵样本数据特征间存在未知的非欧氏空间图结构关系,深入挖掘并利用该关系可有效提升网络入侵检测方法的检测效能.对此,设计一种元图神经网络(Meta graph neural network, MGNN), MGNN能够对样本数据特征内部隐藏的图结构关系进行挖掘与利用,在应对入侵检测问题时优势明显.首先,设计元图网络层(Meta graph network layer,MGNL),挖掘出样本数据特征内部隐藏的图结构关系,并利用该关系对样本数据的原始特征进行更新;然后,针对MGNN存在的图信息传播过程中父代信息湮灭现象提出反信息湮灭策略,并设计了注意力损失函数,简化MGNN中实现注意力机制的运算过程. KDD-NSL、UNSW-NB15、CICDoS2019数据集上的实验表明,与经典深度学习算法深度神经网络(Deep neural network, DNN)、卷积神经网络(Convolutional neural network, CNN)、循环神经网络(Recurrent neural network, RNN)、长短期记忆(Long short-term memory, LSTM)和传统机器学习算法支持向量机(Support vector machine, SVM)、决策树(Decision tree, DT)、随机森林(Random forest, RF)、K-最近邻(K-nearest neighbor, KNN)、逻辑回归(Logistic regression, LR)相比, MGNN在准确率、F1值、精确率、召回率评价指标上均具有良好效果. |
| 源URL | [http://ir.ia.ac.cn/handle/173211/56106]  |
| 专题 | 自动化研究所_学术期刊_自动化学报 |
| 推荐引用方式 GB/T 7714 | 王振东,徐振宇,李大海,等. 面向入侵检测的元图神经网络构建与分析[J]. 自动化学报,2023,49(7):1530-1548. |
| APA | 王振东,徐振宇,李大海,&王俊岭.(2023).面向入侵检测的元图神经网络构建与分析.自动化学报,49(7),1530-1548. |
| MLA | 王振东,et al."面向入侵检测的元图神经网络构建与分析".自动化学报 49.7(2023):1530-1548. |
入库方式： OAI收割
来源：自动化研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。