新上线2天前0 投票
BiTA：双向GRU-Transformer聚合器，革新时序图网络预警预测
引言
在网络安全领域，提前预测网络告警是抵御动态威胁的关键。传统时序图神经网络（TGN）虽能建模时间演化关系，却普遍依赖单向或单一机制的时序聚合，难以捕捉真实攻击行为中常见的递归、多尺度模式。
BiTA：双向聚合，双重视角
来自伊朗的研究团队提出 BiTA（Bidirectional Gated Recurrent Unit-Transformer Aggregator），在不增加模型深度或容量的前提下，重新设计了 TGN 的时序聚合函数。其核心创新在于：
- 双向GRU：沿时间轴正向和反向编码节点邻域的序列依赖，捕捉递归模式。
- Transformer：建模长程上下文关系，捕获多尺度特征。
两者互补，使模型同时理解短期波动与长期趋势，同时保留原始 TGN 的记忆与消息传递结构。
性能飞跃：多项指标全面领先
在真实告警数据集上，BiTA 在 AUC、平均精度（AP）、平均倒数排名（MRR） 及逐类别预测准确率上均显著优于现有最先进时序图模型。尤其在直推式（transductive）和归纳式（inductive） 两种设定下均表现鲁棒，证明其在动态网络环境中的泛化能力。
行业意义：迈向自适应入侵检测
BiTA 的轻量级架构使其适用于实时威胁预测，为构建更智能、自适应的入侵检测系统铺平道路。其可解释性也为安全分析师提供了决策依据。
小结
BiTA 通过双向GRU与Transformer的巧妙结合，突破了TGN在时序聚合上的瓶颈，是图学习与网络安全交叉领域的一项扎实进展。