通信网络流量分段隐蔽威胁深度包检测方法

深度威胁攻击涉及多个网络层次,攻击者可能会在不同层次之间进行转换和伪装,同时还会在不同网络层次中进行横向扩散,增加了威胁检测的难度。为保证通信网络安全、提高网络安全防御能力,需可靠实现流量分段隐蔽威胁深度检测,因此,文中提出基于深度图卷积神经网络的隐蔽威胁检测模型。采用Net-Flow技术捕获通信网络流量数据包;将捕获结果作为深度图卷积神经网络的隐蔽威胁检测模型的输入数据,依据该数据完成图生成,利用多层图卷积层提取深度层次的图节点特征;依据特征结果实现网络模型的离线训练;通过训练完成后的检测模型,在线深度检测网络流量分段隐蔽威胁,输出检测结果。测试结果显示,该方法可精准确定流量中的隐蔽威胁,隐蔽威胁检测的精准率均在0.956以上,检测质量指数结果均在0.95以上。

基于盖根堡多项式最佳平方近似的谱图网络

针对现有谱图神经网络模型在学习图节点特征矩阵信号频率分布方面存在的不足,采用盖根堡正交基改进,提出一种泛化能力强、适合真实世界数据的谱图神经网络模型,有效提高节点分类任务精度。分析不同真实世界数据集中图节点特征矩阵的信号频率分布,使用盖根堡正交基学习谱图滤波函数,提高模型的泛化能力。理论分析表明,该模型能够以最佳平方误差有效学习闭区间上的任意连续谱滤波函数。在13个数据集上进行试验的结果显示,基于盖根堡正交基的谱图神经网络模型在8个数据集上的性能均超越目前的先进模型,验证了模型的有效性。可扩展性试验表明,该模型适用于大规模图数据。