Wissenschaftsdisziplinen
Andere Sozialwissenschaften (40%); Elektrotechnik, Elektronik, Informationstechnik (20%); Informatik (40%)
Keywords
-
Network Security,
Artificial Intelligence,
Graph Neural Networks,
Network Measurements
In der heutigen digitalen Ära stellt der Anstieg von Cyberkriminalität eine bedeutende Bedrohung für unsere Online-Sicherheit dar. Das Forschungsprojekt GRAPHS4SEC zielt darauf ab, die Art und Weise, wie wir unsere Netzwerke schützen, mithilfe modernster Technologie namens Graph Neural Networks (GNNs) zu revolutionieren. Traditionelle Methoden der Nutzung künstlicher Intelligenz (KI) und maschinelles Lernen (ML) für die Netzwerksicherheit haben sich als unzureichend erwiesen. Sie kämpfen damit, sich anzupassen, zeigen in realen Situationen schlechte Leistungen und sind anfällig für Cyberangriffe. Der Hauptgrund für diese Einschränkungen liegt in dem Mangel an spezialisierter KI-/ML-Technologie, die speziell für die Herausforderungen der Netzwerksicherheit entwickelt wurde. Bei GRAPHS4SEC liegt der Fokus darauf, das Potenzial von GNNs zur Verbesserung der Cybersicherheit zu nutzen. Dies sind fortschrittliche Systeme, die sich hervorragend zur Verständigung und zum Lernen aus vernetzten Informationen eignen ideal für die relationale Natur von Netzwerksicherheitsdaten. Stellen Sie sie sich vor wie digitale Detektive für unsere Online-Sicherheit. Das Projekt verfolgt drei Hauptziele: Intelligente KI-gesteuerte Cybersicherheitsalgorithmen: wir werden neue Wege erkunden, um Netzwerksicherheitsdaten mithilfe von graphenbasierten Ansätzen zu modellieren und zu lernen. Dies bedeutet, intelligente Algorithmen zu erstellen, die die komplexen Beziehungen innerhalb von Cybersicherheitsinformationen verstehen. Verstehen des Mehrwerts: das Team wird untersuchen, wie gut GNN-basierte Ansätze im Vergleich zu traditionellen KI-/ML-Methoden abschneiden. Dies beinhaltet die Bewertung der Erkennungsfähigkeiten, Anpassungsfähigkeit, Skalierbarkeit und Widerstandsfähigkeit gegenüber Cyberbedrohungen. Es ist, als würde man die neue Technologie auf die Probe stellen, um zu sehen, ob sie die alte übertrifft. Anwendungen der Cybersicherheit in der realen Welt: das ultimative Ziel ist es, die GRAPHS4SEC-Technologie in realen Szenarien anzuwenden. Dabei konzentrieren wir uns auf vier kritische Bereiche der Cybersicherheit, mit besonderem Schwerpunkt auf der Erkennung und frühzeitigen Eindämmung von Phishing und bösartigen Websites einer weit verbreiteten und bedeutenden Bedrohung in der heutigen digitalen Landschaft. Im Wesentlichen strebt GRAPHS4SEC danach, eine neue Generation leistungsstarker, widerstandsfähigerund effektiverKI-gesteuerter Cybersicherheitswerkzeuge zu schaffen. Durch die Nutzung der einzigartigen Fähigkeiten von GNNs zielt das Projekt darauf ab, unsere Fähigkeit zur Abwehr von Cyberbedrohungen zu stärken und die Online-Welt zu einem sichereren Ort für alle zu machen.
- Stefano Secci, Conservatoire National des Arts et Metiers (CNAM) - Frankreich
- Andrzej Duda, Université Grenoble Alpes - Frankreich
- Maciej Korczynski, Université Grenoble Alpes - Frankreich
- Marco Mellia, Politecnico di Torino - Italien
- Franco Scarselli, Università di Siena - Italien
- Pere Barlet-Ros, Universitat Polytecnica de Catalunya - Spanien
- Kimberly Claffy, University of California San Diego - Vereinigte Staaten von Amerika
- Hamed Haddadi, Imperial College of London - Vereinigtes Königreich
Research Output
- 3 Zitationen
- 8 Publikationen
-
2024
Titel Timeless Foundations: Exploring DC-VAEs as Foundation Models for Time Series Analysis DOI 10.23919/tma62044.2024.10559129 Typ Conference Proceeding Abstract Autor González G Seiten 1-4 -
2024
Titel Certainly Uncertain: Demystifying ML Uncertainty for Active Learning in Network Monitoring Tasks DOI 10.23919/cnsm62983.2024.10814433 Typ Conference Proceeding Abstract Autor Dietz K Seiten 1-7 -
2025
Titel Do We Really Need Reference-Based Phishing Detection? Unleashing the Power of GNN DOI 10.23919/tma66427.2025.11096997 Typ Conference Proceeding Abstract Autor Song T Seiten 1-4 -
2025
Titel FREKit: A Flexible Simulator for Probabilistic Congestion and Rerouting in Multi-Protocol Networks DOI 10.23919/tma66427.2025.11096995 Typ Conference Proceeding Abstract Autor Vanerio J Seiten 1-4 -
2025
Titel Towards Intelligent Resource Allocation in Highly-Distributed Content Delivery Networks Using Graph Neural Networks DOI 10.23919/tma66427.2025.11097019 Typ Conference Proceeding Abstract Autor Vanerio J Seiten 1-4 -
2025
Titel TSGFM - Towards a Graph Foundation Model for Time Series Analysis in Network Monitoring DOI 10.23919/tma66427.2025.11096996 Typ Conference Proceeding Abstract Autor Latif-Martínez H Seiten 1-4 -
2025
Titel TSGFM - Graph Neural Networks for Zero-Shot Time Series Forecasting in Network Monitoring DOI 10.23919/cnsm67658.2025.11297447 Typ Conference Proceeding Abstract Autor Latif-Martínez H Seiten 1-9 -
2025
Titel Malicious Domain Names Detection with DeepDGA, a Hybrid Character and Word Embeddings Deep Learning Architecture DOI 10.23919/cnsm67658.2025.11297537 Typ Conference Proceeding Abstract Autor Aravena L Seiten 1-6