Uzaysal-Zamansal Grafik Sinir Ağları ile Kötü Davranış Tespiti
Mehmet Fatih YÜCE | Yazılım Tanımlı Ağ Teknolojileri Müdürlüğü
Grafik Sinir Ağları (GNN’ler), Temsili Öğrenme alanındaki ilerlemeleri takiben araştırmacıların dikkatini çekmiştir. Klasik makine öğrenmesi (ML) yöntemlerinden farklı olarak, veri yapısında daha fazla kavramı temsil etme yeteneği GNN’e net bir başlangıç avantajı sağlamaktadır. Öte yandan, Kötü Davranış Algılama (MBD), Araçlardan Her Şeye (V2X) Ağlarında kötü amaçlı faaliyetlere karşı koruma sağlamak için yetkili araçlar için bir güvenlik çözümü haline gelmiştir . Yetkililer MBD’yi standartlaştırmasına rağmen, ML için yeterli MBD veri kümesi bulunmamaktadır ve mevcut olanlar da GNN’ler için uygun değildir. Bu çalışmada, klasik MBD veri kümelerini GNN için dönüştürmek üzere bir algoritma sağlayarak bu sorunu ele alıyoruz. Ardından, V2X ağlarında kötü davranışlı faaliyetleri tespit etmek için yeni bir GNN modeli önerilmiştir. Elde edilen sonuçlar, önerilen GNN modelinin %99,92 doğruluk, %99,9196 geri çağırma, %31 daha iyi çalışma zamanı verimliliği ve %97,35 Matthews korelasyon katsayısı ile mevcut yöntemlerden daha iyi performans gösterdiğini göstermektedir.
Makalenin tamamını okumak için 👇🏻
https://www.sciencedirect.com/science/article/abs/pii/S0045790624001265?dgcid=author
Yayımlandığı Yer: Computers and Electrical Engineering (Cilt 116, Mayıs 2024, 109198)
DOI: https://doi.org/10.1016/j.compeleceng.2024.109198
Yayın Tarihi: Mayıs 2024
