基于图神经网络的物联网入侵检测研究

摘要

针对物联网入侵检测中网络设备的异构性以及设备间的复杂关联性，本文基于图神经网络（Graph Neural Network, GNN）提出一种GraphSAGE-GAT模型，可以有效捕捉物联网设备之间的关联关系，并还原物联网设备之间的通信拓扑，从而达到提升物联网异常检测准确率的目的。首先，基于物联网设备间的网络流数据构建了设备关联关系图，然后利用GraphSAGE(Graph Sample and Aggregate)算法对相邻设备节点进行采样，从而可利用相互关联设备节点信息增强设备节点的嵌入信息表示；再利用图注意力网络（Graph Attention Network, GAT）为提取到的关联设备节点之间的关系自动化地学习到相关性权重，并通过多层聚合函数将关联设备节点的表示进一步融合，得到设备关联图节点的嵌入表示向量，从而进一步增强各设备节点的表示能力。最后，根据融合后的图节点嵌入表示向量实现对设备网络节点样本的良性和攻击分类。基于数据集NF-ToN-IoT-v2和NF-BoN-IoT-v2进行了实验验证，结果表明，本文所提出的模型GraphSAGEGAT在物联网入侵检测上的准确率分别高达97.25%和98.62%，均优于现有最新的基线检测模型，可进一步保障网络数据的通信安全。

关键词

物联网 / 入侵检测 / 特征选择 / GraphSAGE / 图注意力网络