用于网络入侵检测系统的图神经网络：综述、分类与实证评估

《ARTIFICIAL INTELLIGENCE REVIEW》：Graph neural networks for network intrusion detection systems: a comprehensive survey, taxonomy, and empirical evaluation

　　

摘要

图神经网络（GNN）已成为入侵检测系统（IDS）领域的一种变革性范式，弥补了传统平面数据方法无法捕捉复杂网络结构和攻击模式的局限性。本综述系统地回顾了基于GNN的IDS解决方案，并引入了一套涵盖问题领域专业化、图构建、特征编码、学习范式及评估方法的综合分类体系。我们从七个关键维度分析现有文献，考察节点级和边级检测任务、静态与动态图模型，以及监督、半监督和无监督学习设置。该综述在物联网、智能电网和车联网等多样化网络环境中，对知名GNN架构进行了批判性评估。为强化定量分析部分，我们基于UNSW-NB15数据集开展了数据泄漏控制研究，并对十个代表性IDS基线模型进行了全面的性能评估。实证结果表明，与传统基于树的模型相比，基于图的IDS模型在检测率稳定性、推理效率和近实时适用性方面展现出更强的实际优势。这些发现表明，基于GNN的IDS的价值不应仅通过整体准确率来评估，还应结合检测率、运行时间、可扩展性和图构建可行性等运营指标进行综合考量。