사용자 행위 모델과 이상치 탐지 알고리즘을 활용한 내부자 이상행위 탐지

Q: 이 논문에서 정의한 사용자 행위 모델링이란 무엇인가?

조직 내부 구성원의 행위를 하나의 개체로 표현하는 기법이다. 이는 로그 기록을 기계학습 방법론에 적용하기 위해 특정 기간 동안 발생한 사용자의 행위를 요약하여 수치화된 벡터로 나타내는 과정을 의미한다.

Q: 사용자 행위 모델링과 이상치 탐지 알고리즘을 결합한 내부 위협 탐지의 효과는 무엇인가?

연구 결과, 제안된 방법론은 전문가 규칙 기반의 한계를 극복하고 유의미한 탐지 성능을 보였다. 특히 가우시안 밀도 추정 적용 시 이상치 스코어 상위 0.5% 내에 전체 이상 행위의 절반이 포함되는 강건한 성능을 확인하였다.

김해동; 김준홍; 박민식; 조수현; 강필성

doi:10.7232/JKIIE.2017.43.4.276

추천

검색

질문

자료유형: 학술저널

저자정보: 김해동 (고려대학교) 김준홍 (고려대학교) 박민식 (고려대학교) 조수현 (고려대학교) 강필성 (고려대학교)

저널정보: 대한산업공학회 대한산업공학회지 대한산업공학회지 제43권 제4호

발행연도: 2017.8

수록면: 276 - 287 (12page)

DOI: 10.7232/JKIIE.2017.43.4.276

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

In this paper, we propose insider threat detection methods based on user behavior modeling and novelty detection algorithms. Although traditional insider treat detection methods focus on the rule-based approaches built by domain knowledge of experts, it turns out that they are neither flexible nor robust. Recently, machine learning-based approaches have been highlighted as an alternative to rule-based approaches because data driven detection system can be more applicable to actual systems. To do so, we first design the user behavior model that transforms log records of user activities, inappropriate for machine learning algorithms, into numerical vectors to encode user behaviors to instances. Then we apply variable selection methods and novelty detection algorithms to efficiently detect the rare insider treats or malicious (suspicious) activities. Experimental results support that the proposed framework can work well for severally imbalanced data sets in which there are only a few insider threats although no domain experts’ knowledge is provided.

#Insider Threat Detection #Novelty Detection #Machine Learning #User Behavioral Model #Logs Records of User Activity

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2018-530-001173473

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)