基于图边缘特征注意力的入侵检测模型OA北大核心CSTPCD

入侵检测是一种网络安全技术,旨在检测和防止未经授权的访问或攻击。现有入侵检测模型对于分布均匀的网络数据具备良好的检测性能,但是网络中相关数据往往是不平衡的,现有模型对少数类攻击数据的检测率低。针对上述问题,提出一种基于图边缘特征注意力的入侵检测模型。首先,挖掘数据内部隐藏的图结构关系,并将数据进行归一化处理,对样本数据的原始特征进行更新,将数据转换成图结构;其次,使用图池化操作对图节点进行下采样,降低计算复杂度,利用图边缘特征注意力对采样后的图进行边缘特征加权聚合,提高模型的表征能力,将聚合后的边缘特征与节点特征拼接,生成节点嵌入,拼接源节点与目标节点嵌入形成边缘嵌入;最后,将边缘嵌入输入分类器转换成类别概率进行分类。在数据集UNSW-NB15和NSL_KDD上的对比实验结果表明,该模型能够有效检测出少数类攻击数据,相比现有模型提升了对不平衡数据的检测精度,多分类检测准确率分别达到0.9929和0.9766。