《Journal of Cyber Security and Mobility》:Network Security Posture Assessment Algorithm Based on Multilayer Perceptron of Graph Convolutional Neural Networks
编辑推荐:
为解决复杂网络环境下拓扑关联捕获难、动态威胁响应慢的问题,本文提出一种融合图卷积神经网络(GCN)与多层感知器(MLP)的混合评估模型。该模型利用GCN聚合邻居节点信息,捕获网络拓扑特征,并结合MLP进行深度非线性特征学习,最终通过Softmax分类器评估态势等级。在CICIDS和UNSW-NB15数据集上,模型准确率分别达到96.5%和94.3%,性能优于传统模型。研究表明,该模型为高效、准确地评估复杂网络安全态势提供了新的解决方案,具有重要的实际应用价值。
随着云计算、5G等互联网技术的飞速发展,网络空间变得日益复杂,充斥着海量的异构数据、复杂的拓扑结构和动态多变的威胁。与此同时,新型攻击技术层出不穷,使得传统依赖固定规则和单一维度的防御手段显得有些力不从心,难以应对日益复杂的网络安全形势。在这种背景下,网络安全态势评估(Network Security Situation Assessment, NSSA)亟需向更立体、更动态、更智能的方向升级,这已成为当前关键的研究方向。然而,现有的研究在有效捕捉复杂网络的拓扑关联特征,并实现高效的动态威胁响应方面,仍面临不小的挑战。
为了应对这一挑战,一项发表在《Journal of Cyber Security and Mobility》上的研究提出了一种创新的混合评估模型,该模型将图卷积神经网络(Graph Convolutional Neural Networks, GCN)与多层感知器(Multi-Layer Perceptrons, MLP)进行融合。该研究旨在克服传统方法在特征融合与分类上的局限性,为高效、准确地评估网络安全态势提供一种新颖的解决方案。
研究人员主要采用了以下几种关键技术方法:首先,基于GCN构建网络安全态势要素并进行特征提取。GCN能够通过邻接矩阵和节点信息捕获网络中的复杂关联特征,其内部的消息传递神经网络(Message Passing Neural Network, MPNN)机制能够实现节点信息的聚合与更新。其次,通过融合MLP来增强节点表征。MLP利用其非线性映射能力,对GCN提取的特征进行深度变换和学习,从而提升模型对节点内在属性的表征能力。研究构建了MLP-GCN评估模型,该模型包含节点特征学习、特征融合和分类评估三个阶段,并采用TopK池化层筛选关键图数据,最后通过Softmax分类器输出态势等级评估结果。实验使用了CICIDS和UNSW-NB15两个经典网络安全数据集,并进行了系统的数据预处理,包括数据清洗、特征编码、归一化、特征选择以及使用SMOTE技术处理类别不平衡问题。
3.1 Performance Test of GCNNSSA Model with MLP Fusion
研究首先对模型的关键超参数进行了测试,确定当MLP隐藏层数为3、学习更新率η为0.0005时,模型参数配置最优。随后,在CICIDS和UNSW-NB15数据集上,将提出的MLP-GCN模型与单一的GCN、随机森林(RF)以及图注意力网络(GAT)模型进行了性能对比。结果表明,MLP-GCN模型在两项测试中的最高计算效率分别达到约97.65%和96.54%,显著优于其他模型。在准确率、召回率和F1分数(F1-score)等多项指标上,MLP-GCN模型同样表现突出,其在CICIDS和UNSW-NB15数据集上的准确率分别为96.5%和94.3%,召回率分别为95.7%和94.1%,F1分数分别为93.8%和96.4%。通过30次独立运行和配对t检验,结果证实MLP-GCN模型的性能提升具有高度的统计显著性(p < 0.001)。此外,消融实验进一步验证了GCN和MLP组件的协同作用:单独的GCN模型因缺乏对节点特征的深度非线性变换能力而性能受限;单独的MLP模型则因完全忽略了节点间的拓扑关联而表现不佳;二者融合的GCN-MLP模型实现了最佳性能,证明了融合策略的有效性。
3.2 Simulation Test of GCNNSSA Model with MLP Fusion
为了验证模型在真实评估场景下的有效性,研究选取了高级持续性威胁攻击知识图谱数据集(APT-KGD)进行模拟测试,人工设定了安全、低风险、中风险、高风险和紧急五个等级的网络安全态势。测试结果显示,在五种模拟态势下,GCN和GAT模型的评估结果均出现了超出各级别设定范围的情况,尤其在紧急态势下离散性较大。相比之下,MLP-GCN模型的所有评估结果均严格限定在各级别范围之内(例如紧急态势下结果在0.81-0.99之间),波动更小,评估稳定性更佳,展现了其在复杂网络态势下的高评估精度。在计算时间方面,随着训练迭代次数增加,各模型完成单次评估所需时间均呈下降趋势。MLP-GCN模型在五种态势下的最短评估时间分别为22.4 ms、32.3 ms、57.8 ms、61.9 ms和74.7 ms,其计算效率总体优于GCN和GAT模型。在动态网络安全态势测试中,MLP-GCN模型同样表现出色,其平均评估准确率为94.59%,平均评估时间为66.19 ms,资源利用率为53.87%,在保持较高评估精度的同时,实现了快速评估与较低的资源消耗。最后,跨数据集泛化能力测试(在CICIDS上训练,在NSL-KDD上测试)表明,MLP-GCN模型在面对不同分布的数据时,仍能保持85.79%的准确率和91.67%的ROC-AUC值,显示出优于基线模型的适应性和鲁棒性。
该研究通过融合GCN的拓扑特征捕获能力和MLP的深度非线性特征学习能力,创新性地提出了一种混合评估模型。实验结论表明,该模型在CICIDS和UNSW-NB15数据集上分别取得了96.5%和94.3%的高准确率,其性能显著优于GCN、RF、GAT等传统模型。在模拟的五级安全态势评估中,模型结果稳定且全部落在预设范围内,波动范围控制在约±0.15以内。在动态网络环境下,模型能以平均66.19 ms的速度、53.87%的资源消耗实现94.59%的平均评估准确率,证明了其高效性、准确性和较强的实用性。这项研究有效地解决了现有方法在处理异构数据、捕捉复杂拓扑关联以及实现动态威胁高效响应方面的局限性,为提升网络安全防御体系的智能化水平探索了一条新的技术路径,具有显著的实际应用价值。当然,研究也指出了当前模型在可扩展性、对抗鲁棒性等方面的局限,为未来的研究工作指明了方向,例如探索分层GCN、子图采样或对抗训练等技术,以推动该模型在更复杂、更动态的网络环境中得到应用。