综述：用于入侵检测系统的图神经网络和图自编码器：系统综述、分类法和比较分析

《Computer Networks》：Graph Neural Networks and Graph Autoencoders for Intrusion Detection Systems: A Systematic Review, Taxonomy and Comparative Analysis

　　

基于PRISMA的系统综述，专注于基于图的入侵检测系统。引入了一个统一的分类法（taxonomy），涵盖图神经网络（GNN）、图自编码器（GAE）和混合入侵检测系统（IDS）架构。强调了GNN和GAE在检测与分类任务中的互补作用。提供了跨数据集、架构和性能指标的对比评估。揭示了可扩展和实时入侵检测系统（IDS）的关键研究空白与未来方向。

论文主体部分总结如下：

**1. 引言**
在数字化转型加速的背景下，关键基础设施、工业控制系统及物联网（IoT）/工业物联网（IIoT）网络面临日益复杂的网络威胁。传统基于签名和统计的入侵检测系统（IDS）在应对多阶段、低强度和混淆攻击场景时效果有限，因此研究转向能够显式建模关系与结构依赖的方法。图神经网络（GNN）和图自编码器（GAE）成为重要研究方向。研究表明，GNN不仅能学习图结构，还能通过高维表示建模网络流量中的复杂模式，例如流-节点图神经网络（FN-GNN）方法将网络流表示为图节点，显著提升了网络入侵检测系统（NIDS）性能。然而，监督式GNN模型在标签稀缺、数据不平衡和未知攻击场景下存在局限，促使GAE等生成式方法用于异常检测。GAE通过重构图结构学习正常行为模式，并将偏差视为异常，如ARGANIDS研究展示了对抗性正则化GAE的有效性。混合架构（如变分自编码器/变分图自编码器（VAE/VGAE）框架）在表示学习和决策之间取得平衡。现有综述研究（如Bilot等人[1]、Zhong等人[11]等）虽全面，但未系统关注GAE与GNN在IDS中的特定集成。本研究通过填补这一空白，提供基于PRISMA的系统分析，提出包含架构方法、应用领域和系统目标的分类法，并进行对比评估，识别研究空白与未来方向。

**2. 调查目标与方法**
本系统文献综述（SLR）的主要目标是系统分析GNN与具有无监督学习能力的GAE在现代网络入侵检测系统（IDS）中的集成，评估两者互补作用。研究围绕三个主要研究问题（RQs）：RQ1：GAE架构在无标签数据下检测异常流量的有效性；RQ2：混合架构（GAE输出作为GNN输入）是否提升分类性能；RQ3：GNN模型训练和推理过程中的计算成本影响因素。按照PRISMA 2020指南，在2021年1月至2026年1月期间，从Google Scholar、IEEE Xplore、Scopus、ACM Digital Library和Web of Science五个数据库进行系统检索，初始识别989条记录，经去重和筛选后最终纳入80篇高质量研究。纳入标准包括聚焦IDS/NIDS、使用图学习方法、分析网络流量数据、包含实证评估；排除标准包括非IDS领域、未使用图表示、纯理论论文等。搜索策略采用布尔运算符和引号确保精确匹配。

**3. 背景**
本节建立理论基础。网络入侵检测系统（NIDS）分为基于签名和基于异常两种范式，传统方法在物联网（IoT）和网络物理系统（CPS）中面临局限性。基于图的学习方法通过节点和边保留拓扑结构，成为现代NIDS研究焦点。图神经网络（GNN）通过邻域聚合（消息传递）机制学习节点嵌入，更新公式为 h_v^(k) = UPDATE(h_v^(k-1), AGG({h_u^(k-1): u∈N(v)}))。主要架构包括：图卷积网络（GCN）使用谱卷积简化形式；GraphSAGE具备归纳表示学习能力，适用于动态网络；图注意力网络（GAT）通过注意力系数 α_ij 计算邻居权重。图自编码器（GAE）是无监督架构，包含GNN编码器、潜在表示空间和内积解码器，重构误差用于异常检测，A? = σ(ZZ^T)，异常分数为 ||A - A?||。变分图自编码器（VGAE）学习概率潜在分布。GNN-Transformer混合模型结合局部邻域与全局注意力。网络流量图表示中，节点代表IP地址或流，边代表通信关系。图类型包括静态图（结构不变）、动态图（随时间演化，G(t) = (V(t), E(t), X(t))）、以及特殊配置如线图（将边分类转为节点分类）、异构图（多种节点/边类型）、属性图（基于属性相似性建边）、流-节点图（流作为节点）。检测粒度分为节点级、边级和图级分类。

**4. 提出的分类法**
基于文献分析，本研究提出三轴分类法：架构中心视角、应用领域导向视角和系统目标导向视角。架构中心视角包括混合与高级模型（结合Transformer、LSTM、CNN等）、图自编码器（GAE/VAE用于无监督异常检测）、动态与时序图（捕捉时间演化）。应用领域导向视角包括物联网（IoT）与工业网络（IIoT）、通用IDS与恶意软件检测。系统目标导向视角包括鲁棒性、隐私与可解释性（XAI）、性能与数据处理（实时性、数据不平衡、标签稀缺）。该分类法通过雷达图展示2021-2026年研究主题演变，显示2024年混合与高级模型达到峰值，2025年后主题分布更均衡。

**5. 最新技术现状与现有研究**
基于分类法，80篇文献被详细分析。在架构中心研究中，混合与高级模型方面，研究从基本结构学习转向混合架构，如GAT+LSTM[66]处理时空特征，GraphSAGE+GAT[67]降低误报率，XMF-GNN[53]融合流与包级数据，GTAE-IDS[9]结合图Transformer与自编码器实现实时检测。图自编码器方面，Anomal-E[72]以流为边特征，CoGN[74]采用对比学习，NEGSC[75]实现多类自监督分类，V-GCN[56]结合VAE与GCN处理不确定性，ARGANIDS[7]使用对抗性正则化，PPT-GNN[65]作为预训练基础模型。动态与时序图方面，DLGNN[55]利用动态线图，TGGNN[78]结合时序门控机制与Bi-LSTM，DIMK-GCN[80]集成多通道GCN、GAT和GRU，Neural ODE[51]实现连续时间建模，EL-GNN[81]进行持续学习，DynKDD[54]将静态数据转为动态快照。

在应用领域导向研究中，物联网与工业网络方面，FT-GCN[82]在有限标签下实现高检测，Multigraph[84]捕获节点间通信，TKSGF[59]基于属性相似性建图，GRID[93]结合级联GAT与对比学习，FGATN[94]融合模糊逻辑与图注意力，EE-GCN[86]利用边特征，Six-GraphSecurity[87]采用六层GraphSAGE。通用IDS与恶意软件检测方面，E-GraphSAGE[48]集成边特征，TPE-NIDS[95]生成边嵌入，光谱GCN[96]在傅里叶域分析，DIGNN-A[50]将流量转为线图，双通道架构[103,104]并行拓扑与特征学习，超图神经网络[106]处理不确定性。

在系统目标导向研究中，鲁棒性、隐私与可解释性方面，HAA[108]揭示GCN脆弱性，TCG-IDS[114]通过时序对比学习增强鲁棒性，NIGNN[110]采用原型共享保护隐私，MTSecurity[113]结合Transformer与GNN分析加密流量，X-CBA[109]利用XAI解释模型决策。性能与数据处理方面，因果采样[116]提升数据质量，轻量级方法[117]采样小部分流量，早期检测[118]利用初始交互包构建图，GPU加速[123]实现4.3倍加速，自动超参数选择[122]加速自监督学习。

**5.4 GAE与GNN架构在入侵检测系统中的比较**
GAE和GNN在IDS中互补而非竞争。监督式GNN在已知攻击检测中精度高（如GCN-KNN达99.94%），但依赖标签；无监督GAE（如GTAE-IDS达98%以上）适用于零日攻击检测，但精度较低（50-90%）。混合架构（如V-GCN、GTAE）结合两者优势，V-GCN比单独模型F1分数提升10%。混合架构通过VAE降噪、GNN分类，实现鲁棒检测。

**5.5 数据集**
常用数据集包括UNSW-NB15、CIC-IDS2017、ToN_IoT、BoT-IoT、CIC-IoT-2023、Edge-IIoTSet、CTU-13等，现代数据集更注重流级特征和异构交互。NF-前缀版本（NetFlow格式）便于图建模。数据集呈现从仿真环境到大规模真实流量、从简单到复杂攻击类型的演变，但存在类不平衡和大规模图内存溢出（OOM）问题。

**6. 讨论与未来方向**
本节对研究问题（RQs）进行结构化回答。RQ1：GAE在无标签数据下检测异常流量高度有效，例如Anomal-E在NF-UNSW-NB15-v2上F1达92.35%，GTAE-IDS在CIC-IDS2017上准确率超98%。RQ2：GAE输出作为GNN输入可提升分类性能，如V-GCN比单阶段GCN F1提升约10%，GraphACGAN比单独E-GraphSAGE F1提升7.55%。RQ3：计算成本的主要因素包括图构建过程（占主要时间，GPU加速可提速4.3倍）、GNN类型（GAT比GCN慢）、网络规模（消息传递成本指数增长）、动态图更新成本。技术挑战包括可扩展性、数据不平衡与标签稀缺、动态网络结构变化、图构建缺乏标准化、可解释性不足、鲁棒性与隐私问题。基于此，提出可操作的研究路线图：实时GPU加速处理、隐私保护联邦图学习、集成基础模型与跨模态分析、原生集成可解释人工智能（XAI）。

**7. 结论**
本研究提供了基于PRISMA的图入侵检测系统系统综述，聚焦GNN和GAE方法。通过提出分类法驱动的IDS框架，从架构、应用领域和系统目标三个维度分析文献。发现GNN在已知攻击分类中高效，GAE在未知攻击检测中强大，混合架构提升泛化性能。仍存在可扩展性、数据异质性、可解释性和实时部署等挑战，未来需开发可扩展、可解释和实时的混合图入侵检测系统。