37项研究揭秘：图表示学习检测网络攻击，自动策略占比高达73%！
A Quantitative Analysis of Graph Representation Strategies for Cyber Attack Detection
📖 AI 总结
本研究对2019至2026年间发表的37项基于图的网络攻击检测研究进行了定量分析，按照发表年份、应用领域、图表示类型、特征提取策略、学习范式、算法和数据集等维度对每项研究进行编码，并采用频率分析、交叉列联表和统计关联检验。结果显示，自动化表示学习是最常采用的策略，占73.0%，手工设计表示策略占27.0%。Fisher-Freeman-Halton精确检验表明，应用领域与表示策略之间存在统计显著关联（精确p=0.008，Cramér's V=0.540）。研究说明，在所分析文献中自动化表示学习占据主导地位，且不同网络安全应用领域对图表示策略的选择存在明显差异。
🔑 关键词速览
| 图表示策略 | 将网络攻击检测数据构建为图结构并提取特征的方法，包括自动学习和手工设计两类。 |
| 自动表示学习 | 利用机器学习模型自动从图数据中学习特征表示，无需人工设计特征。 |
| 手工表示策略 | 依赖领域专家人工设计图特征或表示的方法。 |
| Fisher-Freeman-Halton精确检验 | 一种用于分析列联表中变量间关联性的统计检验方法，适用于小样本或稀疏数据。 |
| Cramer's V | 衡量两个分类变量关联强度的统计量，取值在0到1之间，值越大关联越强。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅