基于可解释机器学习的主动内幕威胁管理框架
密码学与安全
2025-10-24 v1 计算机与社会
摘要
多年来，技术图景不断演变，重塑了组织的安全 posture 并增加了其对网络安全威胁的暴露程度，其中许多威胁来自组织内部。内幕威胁仍然是面临的主要挑战，特别是在网络安全基础设施、专业知识和法规仍不成熟的行业。本研究提出了内幕威胁可解释机器学习（Insider Threat Explainable Machine Learning, IT-XML）框架，将行业通用数据挖掘流程（Cross-Industry Standard Process for Data Mining, CRISP-DM）与隐藏马尔可夫模型（Hidden Markov Models, HMM）相结合，以增强主动内幕威胁管理和决策。采用定量方法，通过在线问卷调查来评估员工对内幕威胁模式、访问控制、隐私实践和现有政策的了解情况，涉及三家大型数据敏感组织。IT-XML 框架通过基于调查的数据提供评估能力，利用 HMM 驱动的模式识别进行安全成熟度分类，并提供基于证据的主动威胁缓解建议。该框架以 97-98% 的置信度将所有组织分类为 developing 安全成熟度水平，分类准确率达 91.7%，识别出审计日志访问限制为最关键的控制措施。随机森林分析将供应商泄露通知（0.081）和定期审计日志审查（0.052）列为韧性的关键决定因素。 SHAP 和 LIME 等可解释性方法提高了模型的透明度和可解释性，证明了该框架在加强内幕威胁管理实践方面的潜力。
引用
@article{arxiv.2510.19883,
title = {A Proactive Insider Threat Management Framework Using Explainable Machine Learning},
author = {Selma Shikonde and Mike Wa Nkongolo},
journal= {arXiv preprint arXiv:2510.19883},
year = {2025}
}
备注
Full master's in information technology (Information Science), University of Pretoria, Department of Informatics