用于异常检测的图神经网络：动态时间序列方法的系统综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Graph neural networks for anomaly detection: a systematic review of dynamic temporal approaches

　　

摘要

图神经网络（GNN）因其能够建模图结构数据中不断变化的关系而近年来受到广泛关注，为网络安全领域的异常检测带来了新的可能性。本系统性文献综述研究了这些模型在网络安全相关异常检测任务中的应用现状。我们系统分析了79项研究，以识别这一新兴领域中的关键趋势、挑战与机遇。综述指出，尽管GNN具有捕捉时空依赖关系和建模复杂网络威胁模式等独特优势，但仍存在诸多障碍，包括可扩展性问题、现实世界数据集有限，以及大多数模型缺乏可解释性。文中介绍了图卷积网络（GCN）、图注意力网络（GAT）以及基于Transformer的混合模型等常见架构，以及它们在入侵检测、僵尸网络检测和工业控制系统异常检测中的应用。另有研究表明，通过整合对比学习与自适应模型，GNN可以克服现有局限，实现实时威胁检测。本综述强调，要充分发挥动态图模型在网络安全中的潜力，就需要具备可扩展、可解释且可直接部署的解决方案。未来的研究应致力于开发更具可扩展性和自适应性的架构，引入更好的可解释性机制，并通过跨领域验证和实时应用来提升模型的稳健性。