在大规模在线服务提供商处预测可疑账户活动
密码学与安全
2018-01-29 v1
摘要
面对针对大型在线服务的大规模自动化社会工程学攻击，快速检测和修复被入侵账户对于限制新攻击的传播以及减轻对用户、公司和广大公众的整体损害至关重要。我们倡导一种基于机器学习的全自动化方法：我们开发了一个早期预警系统，利用账户活动轨迹来预测哪些账户未来可能被入侵并产生可疑活动。我们假设这种早期预警是实现被入侵账户更及时检测并进而更快修复的关键。我们通过在一家大规模在线服务提供商处使用涵盖数亿用户的四个月真实生产数据进行的实验，证明了该系统的可行性与适用性。我们表明——即便仅使用登录数据以较低计算成本提取特征，并采用基础的模型选择方法——我们的分类器在用于预测时可被调优至良好的分类精度。我们的系统能提前至多一个月正确识别出后来被标记为可疑的账户，其精确率、召回率和误报率表明该机制可能在运营环境中作为额外防御层提供支持而具有价值。
引用
@article{arxiv.1801.08629,
title = {Forecasting Suspicious Account Activity at Large-Scale Online Service Providers},
author = {Hassan Halawa and Matei Ripeanu and Konstantin Beznosov and Baris Coskun and Meizhu Liu},
journal= {arXiv preprint arXiv:1801.08629},
year = {2018}
}