相关实验视频
使用强大的混合优化生成预训练神经网络方法揭露内部威胁
P Lavanya1, H Anila Glory1, Manuj Aggarwal2
1Centre for Information Super Highway (CISH), School of Computing, SASTRA Deemed University, Thanjavur, Tamil Nadu, India.
Scientific reports
|July 23, 2025
概括
这项研究介绍了用于内部威胁检测 (HOGPNN-ITD) 的混合优化生成预训练神经网络. 这种新的方法有效地解决了阶级不平衡,并提高了在高维网络数据中内部威胁检测的准确性.
科学领域:
- 网络安全 网络安全
- 人工智能的人工智能
- 网络安全 网络安全
背景情况:
- 内部威胁对网络基础设施构成重大风险.
- 传统的检测模型与阶级不平衡和高维数据作斗争.
- 基于神经网络的模型提供了更好的性能,但需要强大的解决方案来应对数据挑战.
研究的目的:
- 提出一种基于内部威胁检测 (HOGPNN-ITD) 的新型混合优化生成预训练神经网络模型.
- 为了解决内部威胁检测中的阶级不平衡问题.
- 提高识别内部人员造成的安全漏洞的精度和性能.
主要方法:
- 使用Adabelief Wasserstein生成对抗网络 (ABWGAN) 与预期的超量改善 (EHI) 进行对抗样本生成.
- 雇员L2-起点 (L2-SP) 在预训练的注意力图卷积网络 (AGCN) 上进行规范化,用于内部人员识别.
- 集成的切比什夫图形拉普拉斯 Eigenmaps 解析器 (CGLE) 用于通过基于密度的应用程序与噪音的空间集群 (IS-DBSCAN) 来实现维度缩小和内部状态集群.
主要成果:
- 根据HOGPNN-ITD模型,内部威胁的检测率很高.
- 拟议的方法实现了最小的错误报警率.
- 在基准数据集上的实验验验证了该模型在检测怀疑用户行为的有效性.
结论:
- HOGPNN-ITD方法为内部威胁检测提供了一个强大的解决方案,特别是在挑战高维和不平衡数据集时.
- 生成对抗网络和基于注意力的图形卷积网络的集成显著提高了检测准确性.
- 这种方法为保护网络基础设施免受内部威胁提供了有希望的进步.
