提出问题
Graph neural networks are increasingly proposed for network intrusion detection, yet many reported results come from protocols in which test flows shape the graph used for training, duplicated flows sit on both sides of the split, or a single split is reported. This study measures what a residual graph convolutional network gains over simpler models once these sources of optimism are removed.
实验方法
- CICIDS2017和NF-UNSW-NB15-v2数据集通过标签感知的精确重复项删除进行清洗，删除了NF-UNSW-NB15-v2中69%的流。
- 流在仅由训练流构建的最近邻图中链接，验证和测试流在预测时附加到最近的训练流。
- 将两层残差网络与八个模型在相同设置下进行比较，包括基于同一图的最近邻投票、梯度提升树和随机森林。
- 使用三个种子进行实验，每个种子抽取一个新的数据划分，并进行消融实验、留一族实验和特征噪声测试。
实验结果
在CICIDS2017上，残差网络达到98.11%的二元F1（标准差0.18%），在NF-UNSW-NB15-v2上为90.57%（0.38%），与没有图的多层感知器和其他图网络没有显著差异。
- 树集成模型在CICIDS2017上的F1值高出1.48到1.57个百分点，并且在两个数据集上的精度-召回曲线下面积均领先。
- 它们的CICIDS2017多类宏F1达到93.08%，而残差网络为64.51%，差距主要来自残差网络将良性流分配给了小型攻击类别。
- 没有消融实验，包括传导式图构建，使F1超出种子变化范围。
- 在高斯特征噪声（标准差0.5）下，残差网络保持96.16%的F1，而XGBoost下降到0.67%。
结论与启示
在泄漏控制的协议下，流图上的消息传递与感知器相比没有增加可测量的精度，树集成在两者上都更强；图模型的优势在于对特征噪声的鲁棒性。