数字化时代，网络安全已成为全球关注的焦点。随着人工智能、物联网和大数据的迅猛发展，网络攻击手段日益复杂，传统的安全防护措施已难以应对新型威胁。因此，构建以人为本、智能化的网络安全体系势在必行。《Human-Centric Intelligent Systems》（HCIN）期刊始终关注智能技术在人本场景中的创新应用。本期编辑部精选了四篇聚焦网络安全的高质量文章，这些文章深入探讨了金融欺诈检测、车辆自组织网络（VANETs）的安全通信、开放银行数据共享的区块链解决方案，以及可解释人工智能（XAI）的多领域应用。这些研究不仅展示了AI技术赋能网络安全的巨大潜力，也深入探讨了其在实际部署中所面临的挑战与思考。希望本次的好文推荐能为学者的科研工作带来启发，推动网络安全领域的进一步发展。
1、Detecting Fraudulent Transactions for Different Patterns in Financial Networks Using Layer Weigthed GCN
作者：Shaziya Islam, Gagan Raj Gupta, Apu Chakraborty, Santosh Singh, Anisha Soni & Chhavi Patle
DOI：https://doi.org/10.1007/s44230-025-00097-3
研究动机：
随着数字交易的普及，欺诈手段日益复杂，传统欺诈检测方法（如基于规则的系统和机器学习方法）往往无法捕捉交易数据中复杂的动态关系，导致欺诈检测效果不佳。此外，现有研究在数据集范围、适应新欺诈模式、多渠道欺诈分析、模型可扩展性和效率以及模型可解释性等方面存在明显不足，无法有效应对不断演变的欺诈行为。进一步检测并解决金融交易中的欺诈检测问题，特别是在复杂金融网络中识别不同模式的欺诈行为是当下非常重要的研究问题。
研究方法与发现：
为了解决上述问题，本文提出了一种新型的图卷积网络（GCN）架构—LayerWeighted-GCN（LWG）通过接收输入图和特征向量，利用图卷积网络层提取特征，并通过自适应层权重机制优化特征组合，最终通过预测层进行二元分类，以识别金融网络中的欺诈交易。该框架主要对传统图卷积网络（GCN）进行了优化，引入了自适应层权重机制，能够动态调整各层的贡献。此外，LWG采用多层灵活架构，支持可变数量的层，以适应不同图的复杂性，确保既能捕捉局部关系，也能把握全局结构。类似残差的连接设计进一步增强了模型的稳健性，通过聚合所有层的输出，可以缓解深层网络中的梯度消失问题。
图1-LayerWeighted-GCN（LWG）模型实现
研究结论：
本文使用了合成数据集SIFT，该数据集比IBM AML更复杂，包含多种欺诈场景和交易类型，并在此类数据集中进行实验。实验结果表明，LWG在欺诈检测任务中表现出色，准确率达到0.9800，F1分数为0.97，ROC-AUC达到0.96，显示出卓越的区分能力。这些结果表明，LWG在处理大规模复杂数据集时，能够有效识别复杂的欺诈行为，且训练时间仅需1.5秒，具有较高的效率。LWG在多平台交易分析中具有较高的准确性和鲁棒性，能够有效识别复杂的欺诈行为。此外，LWG在处理大规模数据集时表现出色，展现出较高的检测精度和效率。未来的研究方向包括进一步优化模型架构、探索混合模型以提高检测精度和可解释性，以及研究模型在大规模金融网络中的可扩展性。
图2-多算法性能评估指标对比柱状图
开放性问答：如何通过整合时间特征、探索时序图神经网络、提高LWG模型的可解释性、研究对抗攻击的鲁棒性、以及扩展到异构图，以提升LWG在金融欺诈检测中的表现？
扫码阅读原文
2、An Enhanced Location-Aided Ant Colony Routing for Secure Communication in Vehicular Ad Hoc Networks
作者：Raghu Ramamoorthy
DOI:https://doi.org/10.1007/s44230-023-00059-7
研究动机：
文章的研究动机源于车辆自组织网络（VANETs）中动态特性导致的通信链路频繁中断问题。VANETs由于车辆高流动性、频繁路线变更和动态拓扑结构，使得确保信息安全、可靠传输变得困难。现有路由方法在处理这些动态特性时效率不高，且难以提供安全的通信。此外，VANETs在传输时间敏感数据时面临挑战，需要快速、可靠的路由机制来交换关键信息，如交通状况和事故信息。
研究方法与发现：
本文提出了一种基于位置辅助的蚁群路由算法（ELAACR），ELAACR结合了位置辅助密钥管理（LAKM）和蚁群路由（ACR）两种机制。通过在NS 2.35模拟器中进行测试，结果显示该算法在吞吐量、数据包传输率和端到端延迟等方面均优于现有的EHACORP和F-ANT算法，显著提升了网络性能。
图1-ELAACR 的架构
图2-蚁群在ACR中向目的地移动
图3-不同算法在吞吐量、丢包率、数据包传输率、开销和端到端延迟等多个关键性能指标
研究结论：
本文提出的ELAACR算法在吞吐量、丢包率、数据包传输率、开销和端到端延迟等多个关键性能指标上均优于现有的EHACORP和F-ANT算法。这些优势表明ELAACR在车辆自组织网络（VANETs）中能够提供更高效、更可靠的数据传输，特别是在高动态和高密度的网络环境中。
开放性问答：
未来研究中，如何进一步优化ELAACR算法以适应更复杂的交通场景？
3、ConsenTrack—Blockchain Based Framework for Open Banking Consent Data Tracking
作者：Abir Ghosh, Indraneel Mukhopadhyay & Subhalaxmi Chakraborty
DOI：https://doi.org/10.1007/s44230-023-00023-5
研究动机：
本文的研究动机源于开放银行背景下客户对数据共享的担忧。尽管开放银行提供了创新服务和降低成本的机会，但客户对数据共享的安全性和隐私性存在顾虑，导致其接受度不高。现有开放银行框架无法实时监控银行与第三方服务提供商（TPPs）之间的数据共享，监管机构也难以及时发现违规行为并通知客户。这种不透明性削弱了客户对开放银行的信任，阻碍了其广泛应用。因此，文章提出了基于区块链的解决方案，强调了在客户、银行、第三方服务提供商（TPPs）和监管机构之间建立透明度的重要性，以增强客户对开放银行服务的信任。
研究方法与发现：
本研究采用了Corda区块链框架，该框架能够轻松集成到银行现有的技术环境中。通过在Corda中实现的智能合约，文章提出了一个能够实时跟踪和比较银行与TPP之间数据共享的系统。该系统能够在数据共享违反客户同意时及时通知客户和监管机构。研究发现，利用区块链技术的不可篡改性和透明性，可以有效提升开放银行业务中客户数据管理的安全性和客户信任度。此外，该框架还支持监管机构作为节点参与，以实现对每笔交易的实时监控。
图1-开放银行ConsenTrack框架的技术架构概览
研究结论：
利用Corda区块链技术，该框架不仅提升了数据共享的安全性和合规性，还显著提高了系统的可扩展性和响应速度。研究使用了比IBM AML更复杂的合成交易数据集，提供了一个健壮的欺诈检测模型基准。图2中数据显示，即使节点数量增加，系统性能也保持稳定，表明ConsenTrack框架能有效处理高负载环境。ConsenTrack框架通过公证节点实现对数据共享活动的实时监控，确保监管机构能够及时跟踪和验证银行与第三方服务提供商（TPPs）之间的数据共享是否符合客户同意。这种透明度增强了客户对开放银行服务的信任，并确保监管机构有效执行职责。
图2-节点数量对延迟影响的比较图
开放性问答：
ConsenTrack框架如何确保在数据共享过程中实时检测到违规行为，并及时通知监管机构和客户？
4、Survey on Explainable AI: From Approaches, Limitations and Applications Aspects
作者：Wenli Yang, Yuchen Wei, Hanyu Wei, Yanyu Chen, Guan Huang, Xiang Li, Renjie Li, Naimeng Yao, Xinyi Wang, Xiaotong Gu, Muhammad Bilal Amin & Byeong Kang
DOI：https://doi.org/10.1007/s44230-023-00038-y
研究动机：
本文的核心动机在于研究当前人工智能（AI）领域中的可解释性。随着深度学习模型的复杂性不断增加，其决策过程变得难以理解，导致用户对其信任度降低。特别是在网络安全等高风险领域，缺乏可解释性使得AI系统的应用受到限制。因此，文章旨在通过系统性地总结和分析可解释人工智能（XAI）的方法、局限性和应用，推动XAI在网络安全等关键领域的研究和应用。
研究方法与发现：
文章采用文献综述的方法，系统性地梳理了2013年至2023年间的相关研究。通过Scopus、Web of Science、Google Scholar和arXiv等数据库，结合关键词搜索策略，筛选出与XAI相关的研究论文。研究发现，XAI在网络安全领域具有重要应用，例如在入侵检测系统和恶意软件检测中，通过LIME、SHAP等技术提供模型决策的透明性和可解释性。然而，现有XAI方法在适应不同用户背景、实时性和计算效率方面仍存在局限性。
图1-本调查中 XAI 方法的分类法
研究结论：
研究指出，尽管XAI在提高AI模型透明性和用户信任方面取得了进展，但在网络安全领域仍面临挑战，如模型复杂性、实时解释需求和数据动态性。未来研究方向包括开发上下文感知的XAI系统、交互式解释方法和混合解释方法，以更好地满足网络安全等领域的实际需求。
开放性问答：
文章提出了未来XAI研究的方向，如上下文感知XAI和交互式解释。这些方向如何在网络安全领域具体实现？
扫码阅读原文
关于期刊
Human-Centric Intelligent Systems（eISSN：2667-1336）是一本国际化的，经过严格同行评审的开放获取期刊，致力于传播 “以人为中心的智能系统” 中所有相关理论和实际应用的最新研究成果，并提供以人为中心的计算与分析领域的前沿理论和算法见解。为了鼓励科研成果的传播，本刊暂不收取文章处理费。
期刊主编：西南交通大学李天瑞教授与澳大利亚悉尼科技大学徐贯东教授
顾问委员：东京大学教授，日本国家信息研究所所长Masaru Kitsuregawa与伊利诺伊大学芝加哥分校Philip S. Yu教授
|
投稿咨询： HCIN期刊编辑部 Tel：17320182488 邮箱：hcin@editorialoffice.cn |
|
评论 0