CAMLPAD：用于异常检测的网络安全自治机器学习平台
密码学与安全
2019-07-25 v1 机器学习
网络与互联网体系结构
摘要
随着机器学习和网络安全在数字生态系统中持续爆发式发展，网络安全数据的复杂性加之复杂且规避性的机器学习算法，给设计端到端的智能、自动异常分类系统带来巨大困难。另一方面，传统系统使用基础统计技术且常常不准确，导致集中式数据分析平台薄弱。本文提出一种解决这两类问题的新系统，称为 CAMLPAD，即用于异常检测的网络安全自治机器学习平台（Cybersecurity Autonomous Machine Learning Platform for Anomaly Detection）。CAMLPAD 系统简洁、整体的方法首先利用 elasticsearch 实时检索多种不同种类的网络安全数据，随后运行若干机器学习算法，即 Isolation Forest、Histogram Based Outlier Score (HBOS)、Cluster Based Local Outlier Factor (CBLOF) 与 K Means Clustering，对数据进行处理。接下来，计算得到的异常通过 Kibana 可视化，并被赋予异常分数，作为是否向系统管理员发送网络中存在潜在异常警报的指示。在模拟环境中对平台进行全面测试后，CAMLPAD 系统取得了 95% 的调整兰德分数，展现出系统可靠的准确性与精度。总而言之，CAMLPAD 系统为实时网络安全异常检测提供了准确、简洁的方法，给出了一种有可能革新网络安全领域的新型解决方案。
引用
@article{arxiv.1907.10442,
title = {CAMLPAD: Cybersecurity Autonomous Machine Learning Platform for Anomaly Detection},
author = {Ayush Hariharan and Ankit Gupta and Trisha Pal},
journal= {arXiv preprint arXiv:1907.10442},
year = {2019}
}