본 논문은 네트워크 침입 탐지 시스템(NIDS)에서 레이블된 데이터 의존성을 줄이기 위해 Heterogeneous Variational Graph Autoencoder 기반의 새로운 비지도 이상 탐지 접근 방식인 AutoGraphAD를 제안합니다. AutoGraphAD는 네트워크 활동을 캡처하는 연결 및 IP 노드로 구성된 이종 그래프에서 작동하며, 비지도 및 대비 학습을 사용하여 훈련됩니다. 모델은 재구성, 구조 손실, KL 발산을 가중 결합하여 이상 점수를 생성하고, 이를 통해 이상 탐지를 수행합니다. AutoGraphAD는 기존의 비지도 방식인 Anomal-E와 유사하거나 더 나은 결과를 제공하며, 다운스트림 이상 탐지기를 필요로 하지 않아 훈련 및 추론 속도가 훨씬 빠릅니다.
