STRisk：评估黑客入侵风险的社会技术方法
密码学与安全
2024-11-20 v1 机器学习
摘要
数据泄露开始呈现出新的维度，其预测对组织变得日益重要。先前的工作主要从技术角度解决这个问题，而忽略了其他干扰方面，例如社交媒体维度。为了填补这一空白，我们提出了 STRisk，这是一个预测系统，我们通过引入社交媒体维度来扩展预测任务的范围。我们研究了超过 3800 个美国组织，包括受害组织和非受害组织。对于每个组织，我们设计了一个由各种外部测量的技术指标和社会因素组成的档案。此外，为了考虑未报告的事件，我们将非受害样本视为有噪声的，并提出了一种噪声校正方法来纠正被错误标记的组织。然后，我们构建了几个机器学习模型来预测一个组织是否面临遭遇黑客入侵的风险。通过利用技术和社会特征，我们获得了超过 98% 的 Area Under Curve (AUC) 分数，比仅使用技术特征获得的 AUC 高 12%。此外，我们的特征重要性分析表明，开放端口和过期证书是最好的技术预测因子，而传播性和宜人性是最好的社会预测因子。
引用
@article{arxiv.2411.12435,
title = {STRisk: A Socio-Technical Approach to Assess Hacking Breaches Risk},
author = {Hicham Hammouchi and Narjisse Nejjari and Ghita Mezzour and Mounir Ghogho and Houda Benbrahim},
journal= {arXiv preprint arXiv:2411.12435},
year = {2024}
}