یک راهکار سلسه مراتبی جهت شناسایی تهدید های خودی مبتنی بر یادگیری ماشین تحت نظارت

اخیرا تهدید خودی های بد سرشت به شدت مورد توجه پژوهشگران این حوزه قرار گرفته است،اما تارسیدن به راه حل های قابل اتکادر محیط های تجاری راهی طولانی جلوی روست.دلایل این مشکل را می توان در وابستگی شدید به داده های عینی،عدم وجود روش ساخت یافته برای پیش پردازش داده ها و در نتیجه عدم بسط پذیری آن و نیز نرخ بالای اعلان های اشتباه و در مواردی زمان طولانی پردازش داده ها دانست.در این تحقیق برآنیم با استفاده از یادرگیری ماشین تحت نظارت راه کار های برای تشخیص تهدید های خودی بدسرشت ارائه شود.راه کار بر روی یک سناریو از رایج ترین سناریو های این حوزه اعمال شده و نیز گام های آن در پیش پردازش داده ها به تفصیل مورد تشریح قرار گرفته است.همچنین،تفکیک مناسبی مابین نگرش کاربر محور و داده در نظر گرفته شده،تفاوت آن ها با ارائه داده های حاصل از هریک از نگرش ها بیان شده است.نهایتا با در نظر گرفتن نتایج،این راه کار توانسته ایت با نرخ تشخیص بیش از ۹۶٪ و نرخ اعلان اشتباه کمتر از ۰.۶٪ تهدید های خودی را شناسایی نماید.همچنین راه کار نسبت ب راه کار های مشابه از وابستگی کمتری به داده های عینی برخوردار بوده و نیز رویه پیش پردازش آن شفاف بوده و به همین دلیل از بسط پذیری قابل توجهی برخوردار است،به همین دلیل استفاده از آن در سناریوها نیز ممکن خواهد بود