İzinsiz giriş dedektörleri, onaylanmış saldırı etiketleri az veya eksik olsa bile, gelişen kötü niyetli davranışları algılamalıdır. Etiket açısından verimli izinsiz giriş tespiti için topolojiye duyarlı bir grafik karşılaştırmalı öğrenme çerçevesi olan TRACE'i sunuyoruz. TRACE, mesaj aktarımını ve topolojik temsilleri birleştirerek iyi huylu sistem etkinliği grafiklerinden öğrenir ve ardından karşılaştırmalı hedef tarafından optimize edilen aynı öngörülen yerleştirme alanında anormallik puanları atar.
- İzinsiz giriş dedektörleri, onaylanmış saldırı etiketleri az veya eksik olsa bile, gelişen kötü niyetli davranışları algılamalıdır.
- Etiket açısından verimli izinsiz giriş tespiti için topolojiye duyarlı bir grafik karşılaştırmalı öğrenme çerçevesi olan TRACE'i sunuyoruz.
- TRACE, mesaj aktarımını ve topolojik temsilleri birleştirerek iyi huylu sistem etkinliği grafiklerinden öğrenir ve ardından karşılaştırmalı hedef tarafından optimize edilen aynı öngörülen yerleştirme alanında anormallik puanları atar.
İzinsiz giriş dedektörleri, onaylanmış saldırı etiketleri az veya eksik olsa bile, gelişen kötü niyetli davranışları algılamalıdır.
02 Özet
İzinsiz giriş dedektörleri, onaylanmış saldırı etiketleri az veya eksik olsa bile, gelişen kötü niyetli davranışları algılamalıdır. Etiket açısından verimli izinsiz giriş tespiti için topolojiye duyarlı bir grafik karşılaştırmalı öğrenme çerçevesi olan TRACE'i sunuyoruz. TRACE, mesaj aktarımını ve topolojik temsilleri birleştirerek iyi huylu sistem etkinliği grafiklerinden öğrenir ve ardından karşılaştırmalı hedef tarafından optimize edilen aynı öngörülen yerleştirme alanında anormallik puanları atar. Bu tasarım, temsil öğrenimi sırasında saldırı etiketlerini kullanmadan hem yerel etkileşimleri hem de grafik ölçeğindeki yapısal sapmaları yakalar. İyi huylu ve kötü amaçlı grafikler içeren etiketli bir doğrulama seti yalnızca anormallik eşiğini kalibre etmek için kullanılır. StreamSpot, GraSec-IoT ve Unicorn Wget'teki TRACE'i, denetlenen bir grafik sinir ağına ve yalnızca zararsız GraphCL temeline göre değerlendiriyoruz. TRACE, sırasıyla 0,923, 0,790 ve 0,583 F1 puanları elde ediyor. GraphCL ile karşılaştırıldığında bu, StreamSpot (0,450) ve Unicorn Wget'te (0,203) daha yüksek, ancak GraSec-IoT'de (0,975) daha düşüktür. Denetlenen model, StreamSpot ve GraSec-IoT'de lider konumdayken TRACE, Unicorn Wget'te en yüksek F1'e sahiptir. Karışık sonuçlar, topolojiye duyarlı, yalnızca iyi huylu öğrenmenin bazı grafik ayarlarında algılamayı geliştirebildiğini ancak tek tip bir avantaj sağlamadığını göstermektedir.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
Intrusion detectors must recognize evolving malicious behavior even when confirmed attack labels are scarce or incomplete. We present TRACE, a topology-aware graph contrastive learning framework for label-efficient intrusion detection. TRACE learns from benign system-activity graphs by combining message-passing and topological representations, then assigns anomaly scores in the same projected embedding space optimized by the contrastive objective. This design captures both local interactions and graph-scale structural deviations without using attack labels during representation learning. A labeled validation set containing benign and malicious graphs is used only to calibrate the anomaly threshold. We evaluate TRACE on StreamSpot, GraSec-IoT, and Unicorn Wget against a supervised graph neural network and the benign-only GraphCL baseline. TRACE obtains F1 scores of 0.923, 0.790, and 0.583, respectively. Compared with GraphCL, this is higher on StreamSpot (0.450) and Unicorn Wget (0.203), but lower on GraSec-IoT (0.975). The supervised model leads on StreamSpot and GraSec-IoT, whereas TRACE has the highest F1 on Unicorn Wget. The mixed results show that topology-aware benign-only learning can improve detection in some graph settings but does not provide a uniform advantage.
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{johns2026trace,
title = {TRACE: Topological Representations for Anomaly detection through Contrastive Embeddings},
author = {Sydney Johns},
journal = {arXiv preprint arXiv:2611.21548},
year = {2026},
url = {https://arxiv.org/abs/2611.21548}
}
Johns, S. (2026). TRACE: Karşıtlıklı Gömmeler Yoluyla Anomali Tespiti için Topolojik Gösterimler. arXiv. https://arxiv.org/abs/2611.21548
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın