【技术实现步骤摘要】
一种基于边特征提取的循环图神经网络的入侵检测模型
二、所属
[0001]本专利技术涉及网络安全领域中的入侵检测领域,提出了一种基于边特征提取的循环图神经网络的入侵检测模型。
三、
技术介绍
[0002]入侵行为检测识别是网络安全领域中的一个重要问题,随着网络技术日渐成熟,网络已成为人们生活中不可或缺的一部分。从日常通信到商业交易,从小型企业到大型企业,所有的活动都可以使用网络快速简便的进行,网络安全问题也日益凸显出来。因此,一个高效准确的网络入侵检测系统(NIDS)对网络系统来说至关重要。机器学习自专利技术以来就被应用于计算机领域的方方面面,由于于其在视频检索、视频监控、虚拟现实、人机交互等领域的广泛应用,目前发展迅速,同时机器学习也被应用于入侵检测系统中。
[0003]相较于传统的神经网络模型,基于图神经网络的机器学习模型因其对数据的图特征提取、识别的高准确率等优点越来越受关注。图放大和聚合算法(GraphSAGE)算法是最著名的图神经网络算法之一,由汉密尔顿等人开发。在GraphSAGE中,一个固定大小的子集(均匀随机)会被采集成样本。这种算法允许限制空间和时间的复杂度,而不考虑图的结构(例如节点度的分布)和batch的大小,已经成功地应用于各类领域。然而,这些方法主要关注节点特征进行节点分类,目前还不能对边特征进行学习和分类。相比之下,E
‑
GraphSAGE算法在特征学习的过程中也会对流信息进行特征提取和学习。这为计算相应的边embedding和实现边分类提供了基础,即将网络流分类为良性 ...
【技术保护点】
【技术特征摘要】
1.一种基于边特征提取的循环图入侵检测模型,其特征在于,包括软件部分,所述软件部分包括网络数据预处理模块、网络结构图生成模块、特征提取模块、网络行为分类模块;预处理模块对数据进行处理,将需要处理的网络流数据转化成本模型能够处理的数据,在数据预处理后网络结构图生成模块将预处理好的数据输入网络生成有结构的特征网络图,接着由特征提取模块对生成好的特征网络图进行特征提取学习以此完成网络模型的训练,根据特征提取模块提取出的特征信息,网络行为分类模块会根据相应规则来对该网络行为作出评价,分类出恶意行为和正常行为。2.根据权利要求1所述的一种基于边特征提取的循环图入侵检测模型,其特征在于,所述行数据预处理模块用于对数据结构完整、拥有完整节点信息和网络流数据信息的网络数据进行处理。3.根据权利要求1所述的一种基于边特征提取的循环图入侵检测模型,其特征在于,所述预特征图生成模块用于对已经被预处理模块处理好的数据进行网络特征图构造,对于不含特征的节点信息而言,特征图生成模块对该节点采用单位向量对其...
【专利技术属性】
技术研发人员:杨靖航,于晓雯,徐雷,宋晓勤,蔡志成,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。