Оптимальные алгоритмы машинного обучения для обнаружения киберугроз
Optimal Machine Learning Algorithms for Cyber Threat Detection
2018-03-01
SCID: 54.1/6dp5f5vc
Discuss with AI
центр управления безопасностью (SOC)обнаружение киберугрозобнаружение ложных срабатыванийалгоритмы машинного обученияаналитика журналов безопасности
Figures from the paper
Abstract (AI)
В условиях экспоненциального роста числа киберугроз организации стремятся разрабатывать усовершенствованные методы интеллектуального анализа данных для обработки журналов безопасности, формируемых их информационно-технологическими инфраструктурами, что обеспечивает эффективное и автоматизированное обнаружение киберугроз. Аналитика данных машин безопасности на основе машинного обучения (ML) представляет собой развивающееся направление в кибербезопасности, ориентированное на интеллектуальный анализ данных безопасности для выявления субъектов передовых целевых кибератак и снижения операционных затрат на поддержание статических правил корреляции. Однако выбор оптимального алгоритма машинного обучения для анализа журналов безопасности по-прежнему является существенным препятствием для успешного применения науки о данных в кибербезопасности из-за риска большого числа ложноположительных обнаружений, особенно в крупных или глобальных центрах мониторинга и реагирования на инциденты безопасности (SOC). Это обусловливает острую необходимость в эффективной модели обнаружения киберугроз на основе машинного обучения, способной минимизировать частоту ложных обнаружений. В настоящей статье предлагаются оптимальные алгоритмы машинного обучения и соответствующая методология их реализации, основанные на аналитической и эмпирической оценке результатов, полученных с использованием различных алгоритмов прогнозирования, классификации и предсказания.
Key Findings
1
Аналитика на основе машинного обучения рассматривается как средство анализа журналов безопасности, выявления сложных целевых угроз и снижения зависимости от статических правил корреляции.
2
Выбор подходящего алгоритма машинного обучения остаётся серьёзной проблемой, поскольку ложноположительные обнаружения могут препятствовать внедрению анализа данных в кибербезопасности.
3
В статье предлагается методологическая основа выбора оптимальных алгоритмов машинного обучения на основе аналитической и эмпирической оценки методов прогнозирования, классификации и предсказания.
4
Предлагаемый подход направлен на снижение частоты ложных обнаружений, особенно в крупных или глобальных центрах мониторинга безопасности (SOC).
Research Object
журналы безопасности из ИТ-инфраструктур
Research Subject
обнаружение киберугроз на основе машинного обучения с акцентом на выбор алгоритмов и минимизацию частоты ложноположительных обнаружений
Publication Details
Publication Date
2018-03-01
Journal
Publisher
ISSN
Cited by
58
Access Type
Author Information
Download PDF
Subscribe to digest