本文针对基于图神经网络（GNN）的网络入侵检测系统（NIDS）在面临结构性对抗攻击时的鲁棒性问题展开研究。GNN 能够同时利用网络流特征和拓扑模式，因此被视为一种有前景的 ML-NIDS 解决方案。尽管 GNN 分类器相比其他机器学习检测器在面对基于特征的对抗攻击时表现出更强的鲁棒性，但它们仍然容易受到结构性对抗攻击的影响——攻击者通过注入边或插入节点来扰动底层网络图拓扑。这种攻击在真实部署中构成严重威胁。现有防御措施往往基于不切实际的假设，难以直接应用于实际网络安全场景。为此，本文提出一种基于对抗训练的防御框架，旨在强化基于 GNN 的 NIDS 对结构性攻击的抵抗力。该方法通过策略性地替换正常网络流中的源节点和目标节点来生成对抗样本，从而高效模拟边注入攻击。作者在 CTU-13 和 TON-IoT 两个广泛使用的数据集上，以 E-GraphSAGE 作为基础 GNN 分类器进行评估。实验结果表明，该防御方法能够生成加固的检测器，在干净图上保持优异的检测性能，同时显著增强对结构性对抗攻击的鲁棒性。本文的主要贡献包括：提出一种实用的对抗训练框架、生成对抗样本的高效策略，以及通过实验证明该方法在多个数据集上的有效性。适合关注对抗机器学习、网络入侵检测以及 GNN 安全应用的研究人员和蓝队安全工程师阅读。

该论文提出一种名为 CAT 的上下文感知图神经网络信任预测模型，旨在解决动态异质网络中信任预测的三个关键挑战：信任的动态性、网络的异质性以及信任的上下文依赖性。现有基于 GNN 的方法大多使用静态图表示，无法捕捉信任随时间演变的特性；同时忽略了现实中网络包含多种类型节点和关系的异质语义；此外，信任本质上依赖于具体交互场景，而现有模型未引入上下文建模，导致预测结果过于粗粒度。CAT 模型由四个核心组件构成：图构建层、嵌入层、异质注意力层和预测层。在动态图处理方面，它采用连续时间表示，并借助时间编码函数捕获时序信息；在异质性建模方面，引入双注意力机制分别学习不同节点类型以及同类型内不同节点的重要性；在上下文感知方面，创新性地定义了元路径概念来提取交互上下文特征，通过构造上下文嵌入并集成上下文感知聚合器，CAT 能够同时预测上下文特定的信任值和整体信任分。基于三个真实数据集的广泛实验表明，CAT 在信任预测准确度上优于五组基线方法，并且在大规模图上表现出良好的可扩展性，同时对于针对信任模型和图神经网络的攻击均有较强鲁棒性。该工作首次将上下文感知、动态性和异质性统一到 GNN 框架中，为安全决策、风险评估和系统防护提供了更细粒度的信任预测手段。适合对图神经网络、信任计算、社交网络安全感兴趣的研究人员和工程师阅读。