基于行为分析和深度证据聚类的实时内威胁检测

内威胁是现代网络安全中最关键的挑战之一。这些威胁源于组织内个体滥用其合法访问权限，以损害组织资产、数据或运营。传统安全机制主要为外部攻击者设计，难以识别这些微妙且情境感知的威胁。本文提出了一种用于实时检测内威胁的新型框架，结合行为分析和深度证据聚类。我们的系统捕获并分析用户活动，应用富有情境的行为特征，并通过深度证据聚类模型对潜在威胁进行分类，该模型估计聚类分配和认识不确定性。该模型能够动态适应行为变化，显著减少误报。我们在基准内威胁数据集（如CERT和TWOS）上进行评估，实现了94.7%的平均检测准确率，相较于传统聚类方法，误报率降低38%。我们的结果表明，在威胁检测管道中集成不确定性建模的有效性。该研究为在 various 企业环境中部署智能、自适应和稳健的内威胁检测系统提供了可操作的见解。