用基于注意力的图形神经网络进行网络攻击检测的联合学习
Wu Jianping1, Qiu Guangqiu2, Wu Chunming3
1College of Computer Science and Technology, Zhejiang University, Hangzhou, 310027, China.
Scientific reports
|August 17, 2024
概括
联合学习增强了机器学习的安全性. 一个新的联邦图表注意网络 (FedGAT) 模型能够高精度地检测网络攻击,同时保护数据隐私.
科学领域:
- 网络安全 网络安全
- 机器学习 机器学习
- 网络安全 网络安全
背景情况:
- 联合学习 (FL) 解决了机器学习中的数据隔离和隐私问题.
- 网络攻击对FL系统的安全构成重大威胁.
- 现有的方法难以在FL架构内检测复杂的跨级别和跨部门攻击.
研究的目的:
- 提出一种有效的方法来检测联合学习环境中的网络攻击.
- 加强部署联合学习的网络设备和架构的安全性.
- 为了使协作模式培训,同时保持数据隐私.
主要方法:
- 开发了一个基于注意力的图形神经网络 (GNN) 用于网络攻击检测.
- 按时间顺序组织网络流量数据,并根据日志密度构建图形结构.
- 介绍了一个联邦图注意网络 (FedGAT) 模型,其中包含了一个注意机制来分析节点交互性.
主要成果:
- 拟议的FedGAT模型准确地检测到跨层次和跨部门的网络攻击.
- 该方法实现了与传统检测技术相比的准确性和稳定性.
- 实验结果验证了FedGAT模型在加强FL内部网络安全方面的有效性.
结论:
- 在联邦学习中,FedGAT模型为检测网络攻击提供了一个强大的解决方案.
- 这种方法在分布式机器学习环境中优先考虑隐私保护和数据安全.
- 基于注意力的GNN有效地提高了用于攻击检测的内部网络交互分析的精度.
