面向入侵检测的元图神经网络构建与分析

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.