本文研究无监督网络表示学习（UNRL）在安全分析（尤其是图安全分析 GSA）中的实际应用效果。随着网络攻击日益复杂，安全分析通过挖掘组织日志（如网络日志和认证日志）来生成防御措施。图安全分析能够建模用户/主机/进程之间的复杂通信模式，已被广泛部署。其中，UNRL 通过无监督方式学习图的潜在表示（即节点嵌入），并针对不同下游任务进行定制，避免了特征工程的负担，因此基于 UNRL 的 GSA 具有显著优势。然而，本文作者重新审视了以往基于 UNRL 的 GSA 设计，发现它们在真实大规模、高噪声日志数据集（如 LANL 认证数据集）上的性能存在疑问。作者指出，主要原因在于这些方法遵循标准 UNRL 框架，以与攻击无关的方式训练通用模型，忽略了通用攻击特征。为此，作者提出 Argus，一种新的基于 UNRL 的 GSA，采用新的编码器和解码器设计。Argus 专门设计用于离散时序图（DTG），以利用图的时间动态特性。作者在两个大规模数据集 LANL 和 OpTC 上进行了评估，结果显示 Argus 大幅优于现有最先进方法。本文的核心贡献在于揭示 UNRL 在安全分析中的局限性，并提出一种结合攻击特征和时间动态的新型 GSA 框架，为安全分析中的图表示学习提供了新思路。适合安全分析研究员、图学习从业者以及 SOC 安全工程师阅读，以了解如何更有效地利用图数据进行异常检测。