Identifying Malicious Network Traffic Detection using Graph Transformers & Masked Autoencoders
Notice bibliographique
Résumé
The rise in cyber-attacks highlights the critical need for advanced network intrusion detection systems.Traditional machine learning methods often fail to capture the complex patterns inherent in cybersecurity data.Graph Neural Networks (GNNs) [4], capable of efficiently modeling data as nodes and edges, have shown promise in addressing these challenges.This research proposes a novel approach combining Graph Masked Autoencoder (Graph MAE) [2] for self-supervised pretraining and a global attention-based Graph Transformer (Graph GPS) [3] for fine-tuning.Utilizing the UNSW-NB15 dataset [1], we sampled 25% of the dataset (approximately 653,012 network flow records) due to computational restraints.Performance metrics such as Accuracy, Precision, Recall, F1-score, and Area Under the ROC Curve (AUC) were employed.Results indicate significant performance improvements (Accuracy: 0.95, Precision: 0.58, Recall: 0.94, F1-score: 0.72, AUC: 0.98) compared to a baseline two-layer Graph Convolution Network (GCN) [4] model.The study underscores the efficacy of combining self-supervised learning methods and global attention mechanisms in enhancing malicious traffic detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».