ADA-GNetIDS：基于 ADASYN 增强的图神经网络在入侵检测系统中用于鲁棒网络攻击分类的学习

《Scientific Reports》：ADA-GNetIDS: ADASYN-augmented graph neural network based learning in IDS for robust cyber attack classification

　　

摘要

类别不平衡和高维流特征仍然是基于学习的入侵检测面临的重要挑战。本研究提出了 ADA-GNetIDS，这是一个可复现的流水线，结合了仅训练集 ADASYN 过采样、互信息特征选择、余弦相似度锚图以及双分支图神经网络。每条网络流记录被表示为一个节点。最多 25,000 个分层锚节点通过 15 近邻搜索形成全局骨干，而每个非锚节点都连接到其五个最近的锚节点；余弦相似度低于 0.50 的边被丢弃。三层 GraphSAGE 和三层 GATConv 独立编码相同的图，并在分类前通过逐节点学习的标量权重融合它们的输出。评估使用按类别保序的 70/10/20 训练/验证/测试划分，缩放和特征选择仅拟合训练数据，且 ADASYN 仅应用于该分区。在 CICIDS2017 周二、周三、周四以及 CICIoT2023 数据集上，完整配置分别获得了 99.63%、91.62%、97.94% 和 98.16% 的准确率。消融实验结果不一：某些简化配置在单个数据集上优于完整配置，而移除注意力机制会导致 CICIDS2017 数据集周二的准确率大幅下降。