基于使用深度自编码器的UEBA框架的网络安全威胁检测
密码学与安全
2025-10-31 v2 机器学习
统计计算
机器学习
摘要
用户与实体行为分析（UEBA）是数据分析的一个广泛分支，旨在构建正常行为画像以检测异常事件。在用于检测异常的技术中，深度自编码器是UEBA任务中最有前景的深度学习模型之一，能够对可能导致个人数据泄露、系统劫持或敏感业务信息访问的安全事件进行可解释的检测。在本研究中，我们首次实现了一个可解释的基于UEBA的异常检测框架，该框架利用深度自编码器结合Doc2Vec来处理数值和文本特征。此外，基于神经网络的理论基础，我们提供了一个新颖的证明，展示了全连接神经网络两种广泛使用的定义之间的等价性。实验结果表明，所提出的框架能够有效检测从真实攻击数据生成的真实和合成异常，表明模型不仅能正确识别异常，还能提供可解释的结果，从而重建异常的可能来源。我们的发现表明，所提出的UEBA框架可以无缝集成到企业环境中，补充现有的安全系统，实现可解释的威胁检测。
引用
@article{arxiv.2505.11542,
title = {Cybersecurity threat detection based on a UEBA framework using Deep Autoencoders},
author = {Jose Fuentes and Ines Ortega-Fernandez and Nora M. Villanueva and Marta Sestelo},
journal= {arXiv preprint arXiv:2505.11542},
year = {2025}
}
备注
Published in AIMS Mathematics (2025), 10(10): 23496-23517. DOI: 10.3934/math.20251043