MITD-Net:基于马尔科夫图像的威胁检测网络
Malek Algabri1,2, Firdaus Alhrazi1, Cavazos Quero Luis3
1Department of Computer Science, Faculty of Computer and Information Technology, Sana'a University, P.O. Box 33039, Sana'a , Yemen.
Scientific reports
|October 9, 2025
概括
本研究介绍了MITD-Net,这是一种用于检测应用程序中的恶意用户行为 (MUB) 的新型深度学习模型. MITD-Net提供了一个更快,更准确的解决方案来识别内部威胁,提高整体系统安全.
科学领域:
- 计算机科学 计算机科学
- 网络安全 网络安全
- 人工智能的人工智能
背景情况:
- 恶意用户行为 (MUB) 对组织安全构成重大威胁,经常导致漏洞.
- 现有的用户活动检测技术难以识别新的或不熟悉的安全威胁.
- 需要先进的预测技术来应对复杂的基于应用程序的恶意活动.
研究的目的:
- 介绍MITD-Net,这是一种用于有效和高效地预测恶意用户行为 (MUB) 的新方法.
- 通过改进现有的用户活动检测方法,加强内部威胁的检测.
- 开发一个主动的系统来识别和减轻组织内部潜在的安全威胁.
主要方法:
- 开发了MITD-Net,这是一种使用MobileNet卷积神经网络 (CNN) 架构的新方法.
- 从CERT r4.2数据集中提取特征,并将其转换为用于MUB检测的马尔科夫图像.
- 利用深度神经网络在低资源环境中提高计算效率和适应性.
主要成果:
- 与MUB预测的现有方法相比,MITD-Net显示出更高的速度和准确性.
- 在CERT r4.2数据集上的实验评估证实了该模型在检测恶意用户行为的有效性.
- 与之前的研究相比,提出的方法实现了先进的或优越的性能.
结论:
- MITD-Net有效地解决了预测有害用户行为的挑战,有助于主动识别威胁.
- 该模型通过早期检测和缓解潜在的内部威胁来提高整体系统安全性.
- 该研究通过废弃研究验证了每个组件的意义,证实了MITD-Net.Net的稳定性.
