|
Рубрика:
Безопасность /
Машинное обучение
|
Facebook
Мой мир
Вконтакте
Одноклассники
Google+
|
 ВИЗИТКА
Артем Макшаев,
выпускник Нижегородского архитектурно-строительного университета,
специальность «Информационные системы и технологии»
Обнаружение аномального поведения пользователей
в журналах событий безопасности Windows с применением алгоритмов неконтролируемого машинного обучения
В статье рассказывается посредством каких инструментов можно организовать поиск подозрительных пользователей в информационных системах работающих на базе ОС Windows. В какой последовательности применять эти инструменты и какие задачи при этом будут решаться.
Введение
Постоянный мониторинг журналов безопасности Windows позволяет на ранней стадии обнаружить подозрительное поведения в информационной системе и своевременно принять меры для нейтрализации угрозы. Журналы безопасности Windows представляют из себя текстовые файлы с большим объемом данных. Существует два подхода для обработки и анализа большого объема данных — машинное обучение контролируемое и машинное обучение неконтролируемое. В данной статье для анализа данных предлагается использовать методы неконтролируемого машинного обучения.
Наиболее известными и применяемыми алгоритмами неконтролируемого машинного обучения для обнаружения аномалий (выбросов) являются:
- Метод опорных векторов для одного класса (OneClassSVM)
- Изолирующий лес (IsolationForest)
- Эллипсоидальная аппроксимация данных (EllipticEnvelope)
- Фактор локального отклонения (Local Outlier Factor)
Для получения более точных результатов необходимо задействовать все четыре метода.
<...>
Ключевые слова: неконтролируемое машинное обучения, аномалии, выбросы, OneClassSVM, изолирующий лес, Local Outlier Factor, EllipticEnvelope, шкалирование, scikit-learn, Pyhon, WinCollect, Qradar, Windows
Полную версию статьи читайте в журнале
Подпишитесь на журнал
Facebook
Мой мир
Вконтакте
Одноклассники
Google+
|
Обнаружение аномального поведения пользователей в журналах событий безопасности Windows с применением алгоритмов неконтролируемого машинного обучения
