ترجمه فارسی مقاله تشخیص موجودیت‌های اینترنتی مخرب با استفاده از استنتاج گراف محلی

چکیده

Detection of malicious behavior in a large network is a challenging problem for machine learning in computer security, since it requires a model with high expressive power and scalable inference. Existing solutions struggle to achieve this feat — current cybersec-tailored approaches are still limited in expressivity, and methods successful in other domains do not scale well for large volumes of data, rendering frequent retraining impossible. This work proposes a new perspective for learning from graph data that is modeling network entity interactions as a large heterogeneous graph. High expressivity of the method is achieved with neural network architecture HMILnet that naturally models this type of data and provides theoretical guarantees. The scalability is achieved by pursuing local graph inference, i.e., classifying individual vertices and their neighborhood as independent samples. Our experiments exhibit improvement over the state-of-the-art Probabilistic Threat Propagation (PTP) algorithm, show a further threefold accuracy improvement when additional data is used, which is not possible with the PTP algorithm, and demonstrate the generalization capabilities of the method to new, previously unseen entities.

چکیده به فارسی (ترجمه ماشینی)

تشخیص رفتار مخرب در یک شبکه بزرگ یک مشکل چالش برانگیز برای یادگیری ماشین در امنیت رایانه است ، زیرا به یک مدل با قدرت بیان بالا و استنتاج مقیاس پذیر نیاز دارد.راه حل های موجود برای دستیابی به این شاهکار تلاش می کند-رویکردهای فعلی متناسب با فضای مجازی هنوز در بیان محدود هستند و روشهای موفقیت آمیز در حوزه های دیگر برای حجم زیادی از داده ها به خوبی مقیاس نمی شوند و بازآفرینی مکرر را غیرممکن می کنند.این کار چشم انداز جدیدی را برای یادگیری از داده های نمودار که مدل سازی تعامل شبکه شبکه به عنوان یک نمودار ناهمگن بزرگ است ، پیشنهاد می کند.بیان زیاد این روش با معماری شبکه عصبی hmilnet حاصل می شود که به طور طبیعی از این نوع داده ها مدل می کند و ضمانت های نظری را ارائه می دهد.مقیاس پذیری با پیگیری استنباط نمودار محلی ، یعنی طبقه بندی رئوس های فردی و محله آنها به عنوان نمونه های مستقل حاصل می شود.آزمایشات ما بهبود در الگوریتم پیشرفته تهدیدآمیز (PTP) پیشرفته (PTP) را نشان می دهد ، در هنگام استفاده از داده های اضافی ، دقت سه گانه دیگری را نشان می دهد ، که با الگوریتم PTP امکان پذیر نیست و توانایی های عمومی سازی روش را نشان می دهدبه موجودات جدید ، قبلاً غیب.