ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
This paper presents the problem of detecting complex, coordinated cyber-attacks at multiple intervals across enterprise networks. Traditional intrusion detection systems lack the ability to identify the ‘when’ and ‘where’ of attacks, resulting in an incomplete understanding of an attack’s propagation. Most current methodologies focus on the analysis of single, disconnected, and isolated events. This fundamentally limits their ability and effectiveness to understand or conceptualise complex attacks that develop or evolve over time. This paper presents a framework composed of GNNs that captures and analyses the activity of enterprises as dynamic interaction graphs, applying a temporal attention mechanism to focus and prioritise the analysis of high-risk, risky behavioural patterns. The framework is tested against the LAANL Logs and DARPA Transparent Computing cybersecurity datasets. The proposed adaptive temporal GNN achieves a 5% improvement over the strongest baseline (GAT) in detection accuracy, demonstrating its effectiveness in capturing multi-stage coordinated cyber-attacks. Furthermore, the framework provided a consistent and significant improvement in test environments that were imposed with noise. Lastly, the framework was also able to improve explainability through the analysis of the path of an attack’s propagation. This suggests that the results of the framework will validate the radical combination of the structural and the temporal elements of a complex cyber attack MODEL as a possible answer to the challenge of providing a simple, dynamic, and effective scalable solution to the detection of sophisticated cyber disasters in realistic and complex environments.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 83/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Network Security and Intrusion Detection · Smart Grid Security and Resilience · Advanced Graph Neural Networks
บทบาทของนักวิจัยและสถาบันไทย
Deshinta Arrova Dewi · Shinawatra University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง