A Resource-Aware Behavior Reconstruction and Hierarchical Semantic Learning Framework for Host Intrusion Detection
该论文聚焦于基于系统调用（syscall）的主机入侵检测（HIDS）这一经典方向，指出当前方法存在的一个关键结构性缺陷：现有工作通常直接按原始执行顺序对 syscall 序列建模，而来自不同进程的序列在同一时间线上彼此交错（interlea
#graph-neural-network
共收录 32 条相关情报。
← 返回所有主题Detecting False Data Injection and Unstable Operation in Smart Grid via System-Aware Graph Boundary Learning
该论文针对网络物理电力系统(智能电网)中两个长期被割裂处理的问题——稳定性预测与虚假数据注入(FDI)攻击检测——提出了统一的图学习框架 StarGNN。研究背景是:现代电网越来越多地依赖数据驱动工具来识别不稳定运行状态并支撑可靠调度,但真
Residual Community Prototypes Under-Reject Held-Out Malware Families in FCG-MFD
本文研究的是开放集（open-set）恶意软件家族识别任务中的拒识（rejection）问题：模型既要对训练集中出现过的已知家族正确分类，又要把训练中从未出现过的家族样本判定为「未知」并拒绝归类。作者针对基于函数调用图（FCG）的恶意软件家
DEFEAT: Stitching Fragmented File I/O Contexts for Early Ransomware Detection
该论文针对勒索软件检测中的一个核心难题展开研究。现代勒索软件为提高隐蔽性，会把一次加密活动拆散到多个临时文件和中间文件上，例如先写入临时副本、再重命名、替换原文件、最后清理痕迹。这样一来，把各个 I/O 事件串联成完整加密意图的语义上下文就
Sybil-TraceGuard: Traceability-enhanced Sybil Guardian for Connected and Autonomous Vehicles Using Dynamic Semi-supervised GNN
该论文针对车联网与自动驾驶汽车（CAV）面临的 Sybil 攻击问题展开研究。CAV 依赖假名切换（pseudonym-switching）机制保护车辆隐私，而攻击者恰恰滥用这一机制，在交替使用多个假名身份的同时伪造基本安全消息（BSM），
Detecting Logic Vulnerabilities Across the Contract and Device Layers of Blockchain-Enabled IoT With Multi-Agent Heterogeneous Graph Attention
该论文聚焦区块链赋能的物联网（Blockchain-enabled IoT）系统中的逻辑漏洞检测问题。这类系统把链上智能合约与链下嵌入式设备固件结合起来，用于去中心化的设备管理与访问控制，因此其安全性同时取决于合约逻辑与固件逻辑：任一层的逻
SEMA-GUARD: Semantic and Graph-Based Vulnerability Detection in Assembly Code
在无源码场景（如恶意软件分析、固件审计、嵌入式系统分析）中，对编译后程序进行漏洞检测的需求日益突出。然而，现有方法多依赖语法规律或较高层次的表示，不仅容易受编译器版本和优化选项变化的影响，也难以直接应用于汇编代码。为此，本文提出 SEMA-
SemVul: Semantic-Enhanced Graph Neural Networks for Code Property Graph-based Vulnerability Detection
本文提出了一种名为 SemVul 的漏洞检测流水线，旨在提高源代码漏洞检测的准确率与泛化能力。研究背景指出，源代码漏洞是网络攻击的根本原因之一，攻击者常利用软件弱点进行未授权访问、数据窃取或服务破坏。现有基于代码属性图（Code Prope
SENTINEL-RL: Offloading Topological Reasoning from LLM Agents in the Security Operations Center
该论文提出 SENTINEL-RL，一种用于安全运营中心（SOC）的智能体架构，旨在克服大型语言模型（LLM）智能体在自主威胁分析中的两个核心局限：有限上下文窗口难以承载大规模认证图，以及自由文本生成无法保证推荐动作与网络拓扑的一致性。SE
Population-Calibrated Graph Screening at 835-Million-Address Scale, with Label-Free Transfer to New Chains
本文介绍了一套已部署的区块链地址合规筛查系统，其核心思路是将地址判定从传统的制裁名单查询与聚类启发式，转变为基于其在多链交易图中的位置进行打分。系统底层构建了一个包含 835,330,427 个地址与 15,826,261,934 条边、跨
PhantomCall: Evading ML Malware Detectors via Function Call Graph Perturbation
论文《PhantomCall: Evading ML Malware Detectors via Function Call Graph Perturbation》研究了面向Windows PE恶意软件机器学习检测器的对抗攻击。现有攻击通常
Ignoring Directionality Leads to Compromised Graph Neural Network Explanations.
本文研究了图神经网络（GNN）可解释性中的一个常见但被忽视的问题：图对称化（graph symmetrization）会丢弃边的方向信息，导致解释结果失真。作者指出，在诸多关键应用（如安全关键系统）中，GNN 的解释结果必须准确可靠，以支持
Euler: Detecting Network Lateral Movement via Scalable Temporal Graph Link Prediction.
该论文提出了一种名为 EULER 的框架，用于通过可扩展的时间图链接预测来检测网络横向移动。横向移动是高级持续性威胁（APT）攻击中的关键阶段，但传统检测方法面临挑战。作者将网络主机日志抽象为离散的时间图，将问题转化为演化网络中的异常边检测
Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City
本文针对智慧城市中车辆交通激增带来的拥堵问题，提出了一种基于邻域嵌入图神经网络（GNN）的众包配送交通管理模型（NeCDM）。研究背景是现有交通管理方法主要依赖拥堵预测，但未能有效解决交通流量减少和配送车辆智能选择等核心目标。NeCDM 模
Multi-Instance Adversarial Attack on GNN-Based Malicious Domain Detection.
该论文研究基于图神经网络（GNN）的恶意域名检测（MDD）系统面临的新型对抗攻击问题。GNN-based MDD 利用公开的 DNS 日志构建域名恶意图（DMG），将互联网域名表示为图中的节点，并通过已标注的恶意节点推断其他节点的恶意性。然
Revisiting the Adversarial Robustness of Graph-Based Traffic Forecasting
本文针对智能交通系统中基于图神经网络（GNN）的交通流量预测模型，重新审视了其对抗鲁棒性。作者认为先前研究采用的威胁模型不切实际，如假设攻击者拥有完整模型知识或进行全局非目标扰动，因此对攻击和防御的评估均有偏差。实际攻击者通常只能利用有限知
GNNIC: Finding Long-Lost Sibling Functions with Abstract Similarity.
本文提出了一种名为GNNIC的图神经网络（GNN）间接调用分析器，旨在解决大型程序（特别是操作系统内核）中调用图生成不准确的问题。间接调用（如函数指针）在编译时无法确定目标，导致传统静态分析产生大量假阳性。现有基于类型分析的方法在处理大规模
LLM-Enhanced Hierarchical Heterogeneous Graph Representation Learning for Malicious Python Package Detection
恶意Python包已成为开源软件供应链生态系统（如PyPI）的主要安全威胁。现有基于学习的检测方法难以捕获不同程序实体之间的层次组织结构和异构交互。大型语言模型（LLM）在代码理解和语义推理方面表现出强大能力，但很少与结构化程序表示相结合用
POMABuster: Detecting Price Oracle Manipulation Attacks in Decentralized Finance.
本文提出 POMABuster，一种检测去中心化金融（DeFi）中价格预言机操纵攻击的系统。价格预言机是 DeFi 协议获取外部资产价格的关键组件，但容易受到操纵攻击（如闪电贷攻击）的影响，导致价格偏差和协议损失。现有检测方法通常依赖于静态
LPGNet: Link Private Graph Networks for Node Classification.
本文针对图数据节点分类任务中的隐私泄露问题，提出了一种名为LPGNet的新型神经网络架构。图卷积网络（GCNs）在节点分类中表现出色，但研究表明攻击者可以通过链接窃取攻击推断训练图中的边（即节点间关系），即使仅有黑盒模型访问权限。LPGNe