基于混合N-Gram模型和XGBoost算法的内部威胁检测方法

摘要：

随着政府企事业单位网络安全机制的建立健全,单纯从外部进入目标系统的攻击门槛越来越高,导致内部威胁逐渐增多.内部威胁区别于外部威胁,攻击者主要来自于内部用户,使得攻击更具隐蔽性,更难被检测.本文提出一种基于混合N-Gram模型和XGBoost算法的内部威胁检测方法.采用词袋、N-Gram、词汇表3种特征提取方法进行实验比对及参数N值筛选,基于混合N-Gram模型和XGBoost算法的内部威胁检测方法检测效果比通过1维数据、2维数据、4维数据的不同特征进行组合的特征子集效果更优,特定度达到0.23,灵敏度达到27.65,准确度达到0.94,F1值达到0.97.对比特定度、灵敏度、准确度、F1值4项评价指标,基于混合N-gram特征提取方法比传统的词袋、词汇表特征提取方法在检测中更有效.此检测方法不仅提高了内部威胁检测特征码的区分度,同时提高了特征提取的准确性和计算性能.

关键词：混合N-Gram模型、XGBoost算法、内部威胁、SEA数据集、评价指标

分类号：TP309(计算技术、计算机技术)

资助基金：江西省科技计划项目;江西省重点研发计划项目

在线出版日期：2022-08-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：99-105