【摘 要】
：
随着网络安全技术的更新迭代,新型攻击手段日益增加,企业面临未知威胁难以识别的问题.用户与实体行为分析是识别用户和实体行为中潜在威胁事件的一种异常检测技术,广泛应用于企业内部威胁分析和外部入侵检测等任务.基于机器学习方法对用户和实体的行为进行模型建立与风险点识别,可以有效解决未知威胁难以检测的问题,增强企业网络安全防护能力.回顾用户与实体行为分析的发展历程,重点讨论用户与实体行为分析技术在统计学习、深度学习、强化学习等3个方面的应用情况,研究具有代表性的用户与实体行为分析算法并对算法性能进行对比分析.介绍4
【机 构】
：
河北科技大学 信息科学与工程学院,石家庄 050018;北京天融信网络安全技术有限公司,北京 100085;华北科技学院 河北省物联网监控工程技术研究中心,河北 廊坊 065201;河北科技大学 信息
论文部分内容阅读
随着网络安全技术的更新迭代,新型攻击手段日益增加,企业面临未知威胁难以识别的问题.用户与实体行为分析是识别用户和实体行为中潜在威胁事件的一种异常检测技术,广泛应用于企业内部威胁分析和外部入侵检测等任务.基于机器学习方法对用户和实体的行为进行模型建立与风险点识别,可以有效解决未知威胁难以检测的问题,增强企业网络安全防护能力.回顾用户与实体行为分析的发展历程,重点讨论用户与实体行为分析技术在统计学习、深度学习、强化学习等3个方面的应用情况,研究具有代表性的用户与实体行为分析算法并对算法性能进行对比分析.介绍4种常用的公共数据集及特征工程方法,总结两种增强行为表述准确性的特征处理方式.在此基础上,阐述归纳典型异常检测算法的优劣势,指出内部威胁分析与外部入侵检测的局限性,并对用户与实体行为分析技术未来的发展方向进行展望.
其他文献
采用目前方法对油气地震储层进行预测时,没有提取油气地震储层数据的主成分,无法准确地在油气地震储层预测过程中预测砂厚度和储层厚度,导致方法存在泛化能力差的问题.提出基于卷积神经网络的油气地震储层预测方法,在莱特准则的基础上对油气地震储层数据进行取均值与剔除异常值处理,并采用主成分分析方法提取预处理后油气地震储层数据的主成分,在卷积神经网络中输入油气地震储层数据的主成分,实现油气地震储层的预测.仿真结果表明,所提方法在油气地震储层预测过程中预测的砂厚度与储层厚度与实际厚度相符,表明方法在油气地震储层预测过程中
随着微系统、微控制等技术的不断发展,工业自动化和生产中对微观测量的需求日益增加,对精度、效率、成本等方面提出了更高的要求.针对这一现状,结合显微技术与双目视觉技术,以常用的体视显微镜及双相机构建了一个数字化显微视觉深度测量系统.首先设计连接件连接相机与显微镜并搭建测量系统;然后通过调整相机位置进行机构对准与系统参数标定,获取双目图与深度计算所需参数,建立视差与深度的对应关系;再基于CUDA设计一种快速的立体匹配算法计算视差图;最终完成视差图与深度图的转化,实现显微目标的深度测量并进行精度分析.利用体视显微
雨天等恶劣天气将造成图像质量的严重退化,进而影响计算机视觉算法的准确性.为了更好地提取多尺度雨痕特征,恢复图像含有的重要细节信息,提出一种基于多分辨率上下文聚合网络的单幅图像去雨方法.首先利用混洗操作将单一分辨率输入图像转化为多空间分辨率的输入图像,在低空间分辨率中使网络迅速扩大接受场,而在高空间分辨率下提取更加精细的雨痕特征,并将低分辨率提取的雨痕特征自上而下地聚合到高空间分辨率中,引导网络提取多尺度雨痕信息;然后采用多分辨率特征增强块细化不同分辨率下图像的细节,防止去雨图像中的细节损失或模糊,利用局部
含光源影响的雾图像中光源极易引入雾天原本不存在的光晕,从而影响大气光值和透射率估算的准确率,针对此问题,提出一种简单、易实现的去光源影响的雾天图像去雾算法.首先,基于超像素分割在CIELab颜色空间进行光源区域确定;然后,引入基于距离度量的光衰减因子计算并去除光源的影响;最后,以超像素块为单位估计大气光值,并采用加权导向滤波迭代优化透射率获得光源影响下的去雾结果图,提高效率和准确率.在光源影响下雾图集合和SOTS等数据集上进行了复原实验,将雾天图像复原结果与现有主流算法复原结果进行主客观对比,实验结果表明
针对沥青路面裂缝检测中富纹理噪声影响和细小裂缝误识别严重等问题,提出一种邻域与梯度显著特征融合的沥青路面裂缝检测方法.首先采用灰度校正和形态学重建降低外界干扰和富纹理中较亮点状噪声导致亮度不均的影响,根据像素及其邻域的显著差异提取邻域显著特征,通过方向可调滤波器得到不同方向上的梯度显著特征,将两者卷积融合并优选方向生成特征融合显著图;然后对特征融合显著图阈值分割得到疑似裂缝聚集区域,结合聚集区域的不同几何特征引入聚类分析法筛选裂缝候选区域;最后提出区域端点搜索与定位法,剔除无端点聚集区域的子集,并连接不同
特征匹配是从图像恢复三维模型的关键步骤之一.为有效地提高三维重建的质量,提出一种面向三维重建的增强运动一致性与引导扩散特征匹配算法.首先在基于网格的运动统计算法基础上,通过增加阈值 β,提出一种增强运动一致性概念,增强真假匹配点的判断条件,避免高相似特征点的误匹配,提高了初始匹配点的正确率;然后结合RANSAC算法进行特征点匹配优化,过滤掉异常值,进一步提高特征点匹配的准确性;最后将引导匹配和运动一致性相结合,提出一种引导扩散概念,减少了集中分布在图像局部的可能性,进而提高特征点匹配数量和三维模型的稳定性
针对多阈值图像分割中阈值求解效率低、精度不足的问题,提出了一种基于改进状态转移算法的图像多阈值分割方法.改进状态转移算法的伸缩变换采用一种方差自适应的正态分布策略,增强了算法在初期包含全局最优解的可能性,以及算法在后期的收敛性.另一方面,通过精英解集加权和来确定邻域中心,增加了群体间的交流,能充分利用精英解集间的信息实现启发式搜索,同时“贪婪准则”最优解保留机制保证了算法的收敛.实验表明,相比其它算法,上述方法在收敛效率和精度方面有显著优势.
针对视障人士出行辅助中可通行区域地面障碍物实时检测问题,提出一种基于RGB-D和惯性传感器融合的地面障碍物检测技术.首先建立地面障碍物空间模型,并融合惯性传感器参数计算相机倾角以校正地面障碍物世界坐标;其次针对视障人士实际使用场景和需求,使用阈值分割算法将深度图像中距离较远的检测像素去除,并将深度图划分4个区域,通过融合惯性传感器数据实现ROI的动态划分;最后通过改进RANSAC算法设计了基于地面区域生长的障碍物检测算法,并采集真实数据进行实验验证.实验结果表明,所提技术的准确率和召回率分别达到90.87
垃圾分类是保护生态环境、促进经济发展的有效措施,利用深度学习进行垃圾分类已成为当前学术界和工业界的研究热点.传统垃圾分类主要由人工进行分拣和分类,存在劳动强度大、分选效率低、工作环境差等缺点,急需智能化、自动化的分类方法来替代.近年来研究人员已经开始初步探索利用深度学习技术进行垃圾分类并提出一些有效的方法.从方法、数据集和研究方向等方面分析深度学习垃圾分类方法的研究现状,介绍不同深度学习模型在垃圾分类中的应用和发展,研究基于ResNet方法、基于DenseNet方法、基于单阶段目标检测方法和基于卷积神经网
针对传统的IDS规则更新方法基本只能提取已知攻击行为的特征,或者在原有特征的基础上寻找最佳的一般表达式,无法针对当前发生的热点网络安全事件做出及时更新,提出基于威胁情报的自动生成入侵检测规则方法.文章分类模块使用Word2Vec进行特征提取,利用AdaBoost算法训练文章分类模型获取威胁情报文本;定位IoC所在的段落并使用条件共现度算法进行特征扩展和子文档重构,使用深度学习算法ResLCNN提取文章中的IoC数据;将所提取的IoC数据转化为入侵检测规则.通过对最新恶意代码流量数据进行测试,该方法对新发现