声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2223/N
国际刊号：1000-0054
发布日期:
作者：贾凡, 王文莹, 王一芃
单位：1. 北京交通大学 电子信息工程学院，智能网络与信息安全实验室，北京 100044,2. 中国铁路信息科技集团有限公司 网信安全处，北京 100844
关键词：动态图,特征表示,内部威胁,异常检测
基金：国家重点研发计划项目(2020YFB1712203)
由于安全事件频发和数据泄露风险增加，内部威胁检测引起了学术界和工业界的广泛关注。现有方法通过分析用户操作日志以识别异常行为，但容易忽略用户间的关系和行为模式随时间的演变，且普遍存在数据不均衡问题，影响了模型的性能。针对这些挑战，该文提出了基于动态自注意力深度神经网络(dynamic self-attention deep neural network)的内部威胁检测模型(DySAT_DNN模型)，该模型采用结构自注意层和时序自注意层，在结构自注意层中，利用注意力机制对单一时间点的相邻信息进行聚合；在时序自注意层中，跨越多个时间点捕获用户行为的动态变化。基于CERT R4.2数据集开展验证实验，证明了该模型在内部威胁检测任务上的性能优于传统分类器模型。为了应对数据不均衡问题，该文探索并找到有效的采样策略以平衡正负样本比例。实验结果显示，与当前基线模型相比，DySAT_DNN模型在召回率和曲线下面积(AUC)等关键指标上表现出色，以此验证了其在内部威胁检测中的有效性和优越性。
来源：2025年第8期
《清华大学学报(自然科学版)》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。