Central Asian
Scientific
Journal

ТЕХНИКАЛЫҚ ҒЫЛЫМДАР - ТЕХНИЧЕСКИЕ НАУКИ - TECHNICAL SCIENCE · UDC 378.147:004.8 · Русский

Разработка AI-системы обнаружения аномального поведения пользователей в корпоративной сети

  • Куванышбек Заңғар Асқарұлы Казахский национальный исследовательский технический университет им. К.И.Сатпаева, Алматы, Казахстан
  • Асет Арсен Арманұлы Казахский национальный исследовательский технический университет им. К.И.Сатпаева, Алматы, Казахстан
Issue
No. 4(32), Vol. 2, 2026
Pages
451–461
Published
Nov 18, 2026
Download PDF

Аннотация

Рассмотрена задача обнаружения аномального поведения пользователей в корпоративной сети как элемента противодействия внутренним угрозам и компрометации учётных записей. Предложена архитектура AI-системы, включающая сбор журналов событий, формирование суточных профилей «пользователь–день», персонализацию признаков, ансамбль моделей обнаружения аномалий без учителя и модуль объяснения оценок для аналитика. На синтетическом наборе из 18 000 пользователе-дней с тремя сценариями аномалий сопоставлены изолирующий лес, метод главных компонент и автокодировщик. Персонализация признаков повысила среднюю точность изолирующего леса с 0,703 до 0,798, а автокодировщик показал наилучший результат (0,898). Исследованы влияние бюджета оповещений, длины окна обучения и загрязнения обучающих данных. Оценка выполнена по средней точности, ROC-AUC, F1-мере и Precision@k на пяти независимых запусках. Результаты предварительные, получены на синтетических данных и требуют проверки на реальных журналах предприятия.

Ключевые слова: обнаружение аномалий, поведение пользователей, внутренние угрозы, информационная безопасность, машинное обучение, автокодировщик, изолирующий лес

References

  1. Scarfone K., Mell P. Guide to Intrusion Detection and Prevention Systems (IDPS): NIST Special Publication 800-94. Gaithersburg: National Institute of Standards and Technology, 2007. 127 p.
  2. Strom B. E. et al. MITRE ATT&CK: Design and Philosophy. McLean: The MITRE Corporation, 2020.
  3. Chandola V., Banerjee A., Kumar V. Anomaly detection: A survey // ACM Computing Surveys. 2009. Vol. 41, No. 3. Art. 15. 58 p. DOI: 10.1145/1541880.1541882.
  4. Sommer R., Paxson V. Outside the closed world: On using machine learning for network intrusion detection // Proceedings of the IEEE Symposium on Security and Privacy. 2010. P. 305–316. DOI: 10.1109/SP.2010.25.
  5. Tuor A., Kaplan S., Hutchinson B., Nichols N., Robinson S. Deep learning for unsupervised insider threat detection in structured cybersecurity data streams // Proceedings of the AAAI-17 Workshop on Artificial Intelligence for Cyber Security. 2017. P. 224–231. arXiv:1710.00811.
  6. Glasser J., Lindauer B. Bridging the gap: A pragmatic approach to generating insider threat data // Proceedings of the IEEE Security and Privacy Workshops. 2013. P. 98–104. DOI: 10.1109/SPW.2013.37.
  7. Du M., Li F., Zheng G., Srikumar V. DeepLog: Anomaly detection and diagnosis from system logs through deep learning // Proceedings of the ACM SIGSAC Conference on Computer and Communications Security (CCS). 2017. P. 1285–1298. DOI: 10.1145/3133956.3134015.
  8. Pang G., Shen C., Cao L., van den Hengel A. Deep learning for anomaly detection: A review // ACM Computing Surveys. 2021. Vol. 54, No. 2. Art. 38. DOI: 10.1145/3439950.
  9. Liu F. T., Ting K. M., Zhou Z.-H. Isolation forest // Proceedings of the 8th IEEE International Conference on Data Mining (ICDM). 2008. P. 413–422. DOI: 10.1109/ICDM.2008.17.
  10. Hinton G. E., Salakhutdinov R. R. Reducing the dimensionality of data with neural networks // Science. 2006. Vol. 313, No. 5786. P. 504–507. DOI: 10.1126/science.1127647.
  11. Pedregosa F. et al. Scikit-learn: Machine learning in Python // Journal of Machine Learning Research. 2011. Vol. 12. P. 2825–2830.
  12. Saito T., Rehmsmeier M. The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets // PLoS ONE. 2015. Vol. 10, No. 3. Art. e0118432. DOI: 10.1371/journal.pone.0118432.

How to cite

Куванышбек З.А., Асет А.А. Разработка AI-системы обнаружения аномального поведения пользователей в корпоративной сети // Central Asian Scientific Journal. – 2026. – №4(32), Т. 2. – С. 451–461.

CC BY 4.0 Open access under the CC BY 4.0 license: you may freely read, copy and share this article, giving credit to the authors and a link to it. About the license

Reviews of this article

Leave a review

Rate the article and share your opinion. Your review appears after moderation.

Rating