ТЕХНИКАЛЫҚ ҒЫЛЫМДАР - ТЕХНИЧЕСКИЕ НАУКИ - TECHNICAL SCIENCE · ӘОЖ 378.147:004.8 · Русский
Разработка AI-системы обнаружения аномального поведения пользователей в корпоративной сети
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
Әдебиеттер тізімі
- 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.
- Strom B. E. et al. MITRE ATT&CK: Design and Philosophy. McLean: The MITRE Corporation, 2020.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Pedregosa F. et al. Scikit-learn: Machine learning in Python // Journal of Machine Learning Research. 2011. Vol. 12. P. 2825–2830.
- 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.
Дәйексөз келтіру үлгісі
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 Мақала CC BY 4.0 лицензиясы бойынша ашық қолжетімді: оны авторлары мен мақалаға сілтеме көрсетіле отырып еркін оқуға, көшіруге және таратуға болады. Лицензия туралы толығырақ