Détection des anomalies de sécurité du réseau basée sur le réseau neuronal graphique et le mécanisme d'attention

Résumé La protection des réseaux contre les accès malveillants est une tâche très difficile. L'identification et la détection des chemins anormaux peuvent efficacement filtrer les menaces potentielles du réseau. Malgré des recherches approfondies dans ce domaine, l'avènement de nouvelles technologies réseau et l'augmentation des appareils connectés ont conduit à des attaques réseau plus diversifiées. Les méthodes traditionnelles de détection d'anomalies peinent à capturer les relations complexes entre les nœuds. Les réseaux neuronaux graphiques (GNN), avec leurs structures multicouches, peuvent extraire efficacement des caractéristiques multi-attributs des nœuds. Nous proposons une méthode efficace pour la détection de chemins anormaux. En incorporant un mécanisme d'attention multi-tête dans les GNN, nous ajustons dynamiquement les poids des nœuds pour capturer des dépendances complexes. Pour identifier avec précision les nœuds anormaux, nous avons également conçu une nouvelle formule de notation d'évaluation des menaces, améliorant la robustesse et la précision de la détection d'anomalies. Les résultats expérimentaux sur le jeu de données CIC-IDS-2017 montrent que notre modèle a atteint près de 100\% de précision et le temps de réponse le plus rapide. Par rapport aux travaux précédents, notre modèle offre une prise de décision plus rapide et améliore de manière significative les performances d'évaluation. Notre recherche démontre le potentiel des GNN et des mécanismes d'attention multi-tête dans la sécurité des réseaux, offrant un fort soutien pour faire face à des menaces réseau de plus en plus complexes.