物联网入侵检测的随机特征图神经网络模型OA北大核心CSTPCD

目前入侵检测主要依赖传统深度学习方法,但这种方法忽略了数据记录间的关联。图神经网络方法虽然考虑了数据记录间的相互关系,但忽略了图节点间的特征关系。提出了一种随机特征的图神经网络物联网入侵检测模型,以解决这些问题。构建了网络通信数据集的图结构。引入随机特征以丰富图节点的特征,从而提高图神经网络的表达能力。通过提取的流量相互关系来训练图神经网络,构建了一个精确检测攻击流量的入侵检测分类器。在ToN-IoT和NF-UNSW-NB15物联网数据集上进行了实验验证。实验结果表明,在二分类检测方面,与几种经典的机器学习和深度学习算法以及最新的图神经网络检测算法相比,提出的方法在准确率上最高提升了17.90和1.43个百分点。在多分类检测方面,在大多数攻击类别上的F1得分高于其他算法。此外,还通过实验确定了图神经网络的层数K和聚合器的最佳选择。