Deep Learning and Dempster-Shafer Theory Based Insider Threat Detection

Die Erkennung von Insiderbedrohungen ist eine Schlüsselkomponente bei der Erkennung seltener Anomalien im Kontext, was für viele Organisationen zunehmend besorgniserregend ist. Bestehende Perimeter-Sicherheitsmechanismen erweisen sich gegen Insiderbedrohungen als ineffektiv. Als voraussichtlicher Filter für menschliche Analytiker wird eine neue Methode zur Erkennung von Insiderbedrohungen vorgeschlagen, die die Dempster-Shafer-Theorie verwendet, um sowohl zufällige als auch vorsätzliche Insiderbedrohungen über die Kommunikationskanäle der Organisation in Echtzeit zu handhaben. In dieser Arbeit kommt die Langzeit-Kurzzeitgedächtnis-Architektur (LSTM) zusammen mit einem mehrköpfigen Aufmerksamkeitsmechanismus zum Einsatz, um anomale Verhaltensmuster in Netzwerken zu erkennen. Darüber hinaus wird unsere vorgeschlagene Methode mit Dempsters bedingter Regel aktualisiert und verwendet, um Beweise zu verschmelzen, um eine verbesserte Vorhersage zu erreichen. Das CERT Insider Threat Dataset v6.2 wird verwendet, um das Verhaltensmodell zu schulen. Durch Leistungsbewertung erweist sich unsere vorgeschlagene Methode als effektiv als Methode zur Erkennung von Insiderbedrohungen.