图神经网络实战（23）——使用异构图神经网络执行异常检测

0. 前言

异常检测 (anomaly detection) 是机器学习中的一项流行任务，旨在识别数据中偏离预期行为的模式或观测。这一基本问题在现实世界总具有广泛应用，例如检测金融交易中的欺诈行为、识别制造过程中的缺陷产品以及检测计算机网络中的网络攻击。
可以训练图神经网络 (Graph Neural Networks, GNN) 学习网络的正常行为，然后识别偏离该行为的节点或模式。GNN 能够理解复杂的关系，因此特别适合检测微弱信号。此外，GNN 还可以扩展到大规模数据集，是处理大量数据的高效工具。
在本节中，我们将构建用于计算机网络中异常检测的 GNN 应用程序。首先，介绍 CIDDS-001 数据集，其包含计算机网络中的攻击和良性流量。接下来，处理该数据集，为输入 GNN 做准备。然后，实现异构图神经网络 (Heterogeneous GNN)，以处理不同类型的节点和边。最后，我们将使用处理后的数据集对 <