基于统计方法的电子商务平台网络攻击模式探索性分析
密码学与安全
2025-11-11 v1 人工智能
机器学习
摘要
电子商务平台上的网络攻击日益复杂化，威胁消费者信任和业务连续性。本研究提出一种混合分析框架，集成统计建模和机器学习技术，用于检测和预测电子商务领域中的网络攻击模式。基于Verizon社区数据泄露(VCDB)数据集，本文应用Auto ARIMA进行时间序列预测和显著性检验，包括Mann-Whitney U检验(U=2579981.5, p=0.0121)，确认节假日购物事件的网络攻击显著比非节假日期间更严重。还使用了ANOVA检验季节性威胁严重程度的变化情况，而采用XGBoost、LightGBM和CatBoost等集成机器学习模型进行预测分类。结果显示，在诸如黑色星期五和节假日等高风险期间，攻击会出现异常激增，涉及个人可识别信息(PII)的泄露显示出更高的威胁指示器。在模型中，CatBoost达到了最高性能(准确率=85.29%, F1分数=0.2254, ROC AUC=0.8247)。该框架独特地将季节性预测与可解释集成学习相结合，实现了时间风险预警和泄露类型分类。还纳入了伦理考虑，包括敏感数据使用的责任使用和偏差评估。尽管存在类别不平衡并依赖历史数据，本研究为主动网络安全资源分配提供了洞见，并为未来实时威胁检测研究指明了方向。
引用
@article{arxiv.2511.03020,
title = {Exploratory Analysis of Cyberattack Patterns on E-Commerce Platforms Using Statistical Methods},
author = {Fatimo Adenike Adeniya},
journal= {arXiv preprint arXiv:2511.03020},
year = {2025}
}
备注
32 pages, 9 figures, 6 tables; MSc Research Dissertation, York St John University, London Campus