一种基于图注意力机制和补丁Transformer框架的多类别工业物联网攻击分类方法

《Scientific Reports》：A layer-aware graph attention and patch transformer framework for multi-class IIoT attack classification

　　

摘要

工业物联网（IIoT）设备的广泛应用极大地增加了关键基础设施的攻击面。IIoT系统涵盖了从物理传感器到云后端的多个通信层次，攻击者越来越多地利用这些层次之间的边界进行攻击，而这些攻击是单层检测机制无法有效防御的。现有的入侵检测方法将网络流量特征视为无序的、独立的数值，忽略了分层IIoT架构中攻击行为所具有的特征间结构关系。我们提出了LA-STGAT-PT（一种具有补丁变换器的层感知时空图注意力网络，Layer-Aware Spatio-Temporal Graph Attention Network with Patch Transformer），这是一种用于IIoT环境多类入侵检测的端到端深度学习框架。该框架包含四个组成部分：(1) 层感知图（Layer-Aware Graph），它将统计上相关且在架构上共位置的特征编码为关系图，从而实现对IIoT协议栈的层次感知；(2) 时空图注意力模块（STGAT），该模块同时建模图中的特征关系以及特征向量上的序列模式，并自适应地融合这两种视图；(3) 补丁变换器编码器（Patch Transformer Encoder），它将融合后的嵌入分割成子序列并应用自注意力机制来捕捉长距离的组间依赖关系；(4) 双头输出层（Dual-Head Output），该层同时优化攻击分类和正常流量重建任务，通过较高的重建误差作为次要异常信号。在Edge-IIoTset基准测试中，针对14种攻击类型和1种正常类型进行评估，LA-STGAT-PT的总体准确率为99.96%，宏F1分数为0.9955。通过将IIoT协议层的拓扑结构编码为关系图，并结合时空特征建模和基于补丁的自注意力机制，达到了先进的入侵检测水平，这表明结构化领域知识能够显著提升基于深度学习的入侵检测系统的性能。