根据立项书和论文，总结了研究领域的一部分基础知识。
入侵检测系统 (IDS)
IDS（入侵检测系统）是一种安全工具，旨在检测计算机系统、网络或应用程序中的恶意活动和安全漏洞。它通过监视计算机系统、网络或应用程序的活动来检测潜在的入侵行为，并发出警报以通知管理员采取适当的措施。
- NIDS（Network- based intrusion detection system）
IDS 分类：
1. 基于特征的系统 (signature-based system)
要求根据以前的攻击知识来产生一个准确的特征。特征可以是预定义的，也可以通过机器学习算法自动提取。
2. 基于异常的系统 (anomaly-based system)
不依赖现有攻击的以前知识，可以检测到未知攻击，具有较好的自适应性，但可能存在较高的误报率。
图神经网络（Graph Neural Networks，GNN）
GNN是深度学习在图结构上的一个分支。GNN是一种连接模型，通过网络中节点之间的信息传递的方式来获取图中的依存关系，GNN通过从节点任意深度的邻居来更新该节点状态，这个状态能够表示状态信息。
GNN是对图上的所有属性进行的一个可以优化的变换，它的输入是一个图，输出也是个图。可以把图神经网络看做是一个图数据的在三个维度的特征提取器。
- 图卷积网络（Graph Convolution Networks，GCN）
将卷积运算从传统数据（例如图像）推广到图数据。
图注意力网络（Graph Attention Networks）
图的自编码(Graph Autoencoders)
该模型通常使用无监督学习(unsupervised)的方式。
不同GNN的本质差别就在于它们如何进行节点之间的信息传递和计算，也就是它们的消息传递机制不同。
无监督学习 (Unsupervised Learning)
监督学习：一种目的明确的训练方式，通过已知因素和已知的结果，通过机器训练，使机器能学会通过已知因素得到未知的结果。
无监督学习：没有给定事先标记过的训练示例，自动对输入的资料进行分类或分群，再根据这些数据分析这些数据的特征。本质上是一个统计手段，在没有标签的数据里可以发现潜在的一些结构的一种训练方式。
无监督学习的主要运用包含：聚类分析（cluster analysis）、关系规则（association rule）、维度缩减（dimensionality reduce）。
特点：
没有明确的目的
不需要给数据打标签
无法量化效果
常见的两类无监督算法：
- 聚类
简单说就是一种自动分类的方法，在监督学习中，你很清楚每一个分类是什么，但是聚类则不是，你并不清楚聚类后的几个分类每个代表什么意思。
- 降维
降维看上去很像压缩。这是为了在尽可能保存相关的结构的同时降低数据的复杂度。
扩散模型（Diffusion Models）
用于图像生成。实现从噪声（采样自简单的分布）生成目标数据样本。
扩散模型包括两个过程：前向过程（forward process）和反向过程（reverse process），其中前向过程又称为扩散过程（diffusion process）。无论是前向过程还是反向过程都是一个参数化的马尔可夫链（Markov chain），其中反向过程可用于生成数据样本。