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。当前深度图学习方法虽然模型多样，但普遍存在泛化性和可扩展性问题。EULER 框架采用模型无关的图神经网络（GNN）堆叠模型无关的序列编码层（如循环神经网络 RNN），从而能够灵活组合不同模型。该框架的一个重要特性是图卷积层可以轻松分布在多台机器上，从而在训练和推理阶段获得显著的性能提升。实验表明，基于 EULER 构建的模型在异常链接检测和预测方面具有竞争力，甚至优于许多现有最先进的方法。作为基于异常的入侵检测系统，EULER 模型能够高效识别实体间的异常连接，具有较高的精确率，并在无监督的横向移动异常检测任务中优于其他技术。该研究为安全团队提供了一种可扩展的、模型无关的检测框架，有助于在实际网络环境中部署基于图的异常检测。适合安全研究人员、蓝队成员以及关注网络威胁检测的工程师阅读。

该论文针对现有基于图神经网络（GNN）的网络入侵检测系统（NIDS）的局限性——将流量流视为时间独立且依赖有监督学习——提出了一种时间感知的自监督时空图对比学习框架。研究背景：GNN在建模网络流量关系方面有效，但多数方法忽略时间动态特征，且依赖标签导致泛化能力不足。核心问题：如何利用真实时间戳捕获流量时序依赖，并在无标签情况下学习鲁棒表示。方法：首先按时间戳构建一系列时序图，然后使用基于E-GraphSAGE和LSTM的编码器提取时空依赖（避免注意力机制的高开销），接着设计多视图图对比学习方案，联合进行时间对比、空间对比和特征对比，分别捕获时间连续性、保持结构一致性、提升泛化性和鲁棒性。此外，引入基于梯度范数的自适应权重策略优化对比损失。在四个带有真实时间戳的NIDS数据集上实验，该方法显著优于现有自监督方法，性能与有监督的SOTA GNN方法相当，且计算效率高。主要贡献：首次在自监督GNN-NIDS中显式利用真实时间戳，提出高效时空编码器和多视图对比学习方案，以及自适应损失加权策略。适合NIDS研究人员、安全机器学习从业者阅读。