一种用于高可持续威胁分类的多维度加权图卷积神经网络方法

一种用于高可持续威胁分类的多维度加权图卷积神经网络方法，涉及网络安全领域和强化学习领域，解决现有GCN算法在处理复杂APT攻击节点分类时的局限性和可靠性低等问题，本发明通过对收集的APT攻击数据，利用构建的MW‑GCN网络模型进行攻击类别的识别，确定各节点的分类结果。本方法有效捕捉了APT攻击在长时间跨度和复杂网络拓扑结构中的演变过程。通过精准的节点权重计算，突出与APT攻击关联性强、影响力大的关键节点，提高对APT攻击节点分类的准确性和可靠性。本方法既节省计算资源和内存，同时考虑节点自身的属性特征与直接邻居节点的关联紧密程度等多个局部角度，确保节点权重能够综合反映其在全局和局部的整体重要性。