GA-ConvE:一种基于图形注意网络和2D卷积组合的APT攻击预测方法
Yazhou Du1, Weiwu Ren1, Wenjuan Li1
1School of Computer Science and Technology, Changchun University of Science and Technology, Changchun, 130022, China.
概括
这项研究介绍了GA-ConvE,这是一种用于预测高级持久威胁 (APT) 攻击的新方法. 通过分析威胁情报和攻击行为,它通过准确和可解释的预测来增强网络安全防御.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 图形神经网络的神经网络
背景情况:
- 高级持久威胁 (APT) 攻击构成了重大的网络安全挑战.
- 准确及时预测APT攻击对于有效防御至关重要.
- 现有的方法可能会在深度图形网络和大推理空间中与功能损失作斗争.
研究的目的:
- 提出一种新的APT攻击预测方法,GA-ConvE.
- 使用残余多层图表注意力网络 (RMultiGAT) 增强APT行为分类.
- 通过联合图表注意力网络和2D卷积模型,提高APT攻击预测的准确性和可解释性.
主要方法:
- 从APT威胁情报构建攻击行为知识图.
- 使用剩余的多层图表注意力网络 (RMultiGAT) 来分类APT行为.
- 采用一个联合预测模型 (GA-ConvE),将图表注意力网络和2D卷积结合起来进行推断.
主要成果:
- 在深度图形网络中,RMultiGAT有效地通过减轻特征损失来对APT行为进行分类.
- 该GA-ConvE模型通过提取目标行为特征来实现准确和可解释的APT攻击预测.
- 实验验证证明了GA-ConvE在现实场景中的有效性.
结论:
- GA-ConvE方法在预测高级持久威胁攻击方面取得了重大进展.
- 这种方法通过改善对复杂威胁的实时响应能力来增强网络安全.
- 知识图,RMultiGAT和GA-ConvE的组合为APT攻击预测提供了一个强大的框架.
