用于零信任架构中持续内威胁检测的行为分析

Gaurav Sarraf

用于零信任架构中持续内威胁检测的行为分析

密码学与安全 2026-01-13 v1 分布式、并行与集群计算

作者: Gaurav Sarraf

摘要

内威胁是零信任架构（ZTA）中尤其棘手的网络安全问题，尽管遵循“永远不要信任，随时验证”的原则，攻击者仍可使用合法凭证并冒充标准用户活动。为此，行为分析结合机器学习（ML）可帮助持续监控用户活动并识别异常存在。本介绍性框架使用 CERT 内威胁数据集进行数据清洗、归一化和类别平衡处理，采用合成少数过采样技术（SMOTE）。还采用主成分分析（PCA）进行降维。 Several benchmark 模型，包括支持向量机（SVM）、人工神经网络（ANN）和贝叶斯网络（Bayes Net），用于开发和评估 AdaBoost 分类器。与 SVM（90.1%）、ANN（94.7%）和 Bayes Net（94.9%）相比，AdaBoost 达到了更高的性能，准确率（ACC）为 98.0%，精确率（PRE）为 98.3%，召回率（REC）为 98.0%，F1 分数（F1）为 98.0%。接收者运行特征（ROC）研究进一步确认了其强度，ROC 曲线下面积（AUC）为 0.98。这些结果证明了基于 AdaBoost 的行为分析在强化零信任环境中持续内威胁检测方面的有效性和可靠性。

关键词

内威胁检测行为分析零信任架构 AdaBoost 分类器机器学习

引用

@article{arxiv.2601.06708,
  title  = {Behavioral Analytics for Continuous Insider Threat Detection in Zero-Trust Architectures},
  author = {Gaurav Sarraf},
  journal= {arXiv preprint arXiv:2601.06708},
  year   = {2026}
}

用于零信任架构中持续内威胁检测的行为分析

摘要

关键词

引用

相关论文