Resumen

Estudios recientes han puesto de relieve que las amenazas internas son ms destructivas que las amenazas externas a la red. A pesar de las numerosas investigaciones al respecto, la heterogeneidad espacial y el desequilibrio muestral de las caractersticas de entrada siguen limitando la eficacia de los actuales mtodos de deteccin basados en aprendizaje automtico. Para resolver este problema, proponemos un mtodo de deteccin supervisada de amenazas internas basado en el aprendizaje conjunto y el aprendizaje autosupervisado. Adems, proponemos un mtodo de representacin de entidades basado en TF-IDF para mejorar el efecto de deteccin. Los resultados experimentales muestran que el mtodo propuesto puede detectar eficazmente sesiones maliciosas en los conjuntos de datos CERT4.2 y CERT6.2, donde los AUC son del 99,2% y el 95,3% en el mejor de los casos.

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Estudios; Amenazas internas; Aprendizaje automático; Aprendizaje por conjuntos; Aprendizaje autosupervisado; TF-IDF
• Keywords:Studies; Insider threats; Machine learning; Ensemble learning; Self-supervised learning; TF-IDF