基于关键风险因素的网络安全威胁数据驱动预测分析

网络风险指的是通过无意识使用网络系统导致声誉受损、经济损失或组织或个人中断的风险，这种情况通常发生在当今全球范围内。网络风险正缓慢增长，已成为全球性威胁。像巴基斯坦这样的发展中国家面临重大的网络风险挑战。全球范围内的日益增长的网络威胁凸显了有效建模以预测和管理相关风险的需求。这篇论文展示了一个基于机器学习(ML)的模型，用于预测可能成为网络攻击受害者的个人，通过分析社会经济因素。我们基于社会人口统计特征从受害者和非受害者处收集了数据集。研究涉及开发问卷以收集数据，然后用于衡量特征的显著性。通过数据增强，我们将数据集扩展到3286个条目，为我们的调查和建模奠定了基础。在多个具有19、20、21和26个特征的ML模型中，我们提出了一种新颖的Pertinent Features随机森林(RF)模型，该模型在20个特征下实现了最高准确率(95.95%)，并通过Apriori算法以置信度(超过80%)显示所选特征之间的关联。我们生成了10条重要关联规则，并呈现了一个在真实世界数据集上进行严格评估的框架，证明了其在有效预测网络攻击及其相关风险因素方面的潜力。展望未来，未来的工作将致力于细化预测模型的精度并探索其他风险因素，以强化该框架在应对复杂网络安全威胁领域的有效性。