结合套接字地址结构信息的网络入侵检测系统

在过去的几年里,不断增长的网络攻击严重威胁社会经济与隐私安全,需要准确的网络入侵检测系统。现有主流的基于机器学习的网络入侵检测系统通常独立地处理网络流量,近些年很多研究开始尝试使用图神经网络技术捕获流量间的关系,然而它们都没有捕获流量的套接字地址结构,即主机IP地址与其端口号间的结构信息。结构信息对于一些依赖主机IP地址与端口作为切入点网络攻击的检测非常重要,所以提出基于图神经网络的结合套接字地址结构信息的网络入侵检测系统,设计一个可以保存网络流量连接IP地址与其端口号间结构信息的异质图表示方法,然后提出一个适配上述图表示方法的消息传递与聚合方法用以捕获套接字地址的结构信息,最后使用门控循环单元结合捕获的结构信息检测入侵行为。实验结果表明,提出的图卷积网络模型在著名的CIC-IDS2017,CSE-CIC-IDS2018数据集上能得到更好的性能。

采用多路图注意力网络的情绪脑电信号识别方法

情绪是一种大脑产生的主观认知的概括。脑信号解码技术可以以一种较客观的方式来有效地研究人的情绪及其相关认知行为。本文提出了一种基于图注意力网络的脑电情绪识别方法 (multi-path graph attention networks, MPGAT),该方法通过对脑电信号通道建图,利用卷积层提取脑电信号的时域特征以及各频带的特征,使用图注意力网络进一步捕捉情绪脑电信号的局部特征以及各脑区之间的内在功能关系,进而构建出更好的脑电信号表征。MPGAT在SEED和SEED-Ⅳ数据集的跨被试情绪识别平均准确率分别为86.03%、72.71%,在DREAMER数据集的效价(valence)和唤醒(arousal)维度的跨被试平均准确率分别为76.35%和75.46%,达到并部分超过了目前最先进脑电情绪识别方法的性能。本文所提出的脑电信号处理方法有望为情绪认知科学研究与情绪脑机接口系统提供新的技术手段。