基于优化后的边缘增强导向图卷积网络的增强型网络安全入侵检测方法，在完全流式大数据分析中的应用

《Knowledge-Based Systems》：Enhanced Cyber Security Based Intrusion Detection using Optimized Edge Enhancement Oriented Graph Convolutional Networks in Fully Streaming Big Data Analysis

　　

S. Castro|R Pushpa Lakshmi

摘要

互联网使用量、联网设备数量以及网络安全的快速增长已成为消费者和组织面临的重要问题。入侵检测系统（IDS）对于检测恶意活动和保护网络资源至关重要。然而，在处理大量数据流时，实时检测复杂的攻击变得非常困难。典型的IDS方法往往无法有效应对全流式大数据环境中的高容量、动态攻击。因此，本研究提出了一种基于优化后的边缘增强型图卷积网络（EOGCN）的全流式大数据分析增强型网络安全入侵检测模型（CSID-EOGCN-FSBD）。首先，从UNSW-NB15和CIC-IDS2017数据集中收集输入数据，并采用Z分数归一化和不受异常值影响的卡尔曼滤波（OIKF）进行降噪和异常值抑制预处理。预处理后的数据通过合成少数类过采样技术（SMOTE）进行类别平衡。特征选择通过人工原生动物优化器（APO）从输入数据集中选取最相关的特征。随后，这些选定的特征被输入到边缘增强型图卷积网络（EOGCN）中进行入侵检测。最后，利用多模态蝶式优化算法（MBOA）优化EOGCN的权重参数，以提高预测准确性。与现有技术相比，所提出的CSID-EOGCN-FSBD方法在UNSW-NB15数据集上的准确率达到99.29%，在CICIDS-2017数据集上的准确率达到99.54%。