计算机科学与探索

作者：孙伟, 张羽

单位：1. 北京交通大学 计算机与信息技术学院，北京 1000442. 中国科学院大学 网络空间安全学院，北京 1000493. 中国科学院 信息工程研究所，北京 100093

关键词：异常检测,图计算,内网异常,集成学习

内网恶意内部活动的证据通常隐藏在大型数据流中，例如数月或数年累积的系统日志，然而数据流往往是无界的、不断变化的和未标记的。因此，为实现高度准确的异常检测，提出集成流挖掘和图挖掘的内网异常检测方法，在发挥图挖掘的无监督优势的同时，融入了流挖掘的良好自适应能力。采用集成的方法，通过集成分类和更新，当出现概念漂移时，保证集成适应当前概念，使之可以检测到内网恶意行为。实验证明基于集成的方法比传统的单模型方法更有效，可以有效识别随时间改变其行为来隐藏恶意活动的内网异常，在面对隐藏在大量数据流中的内网异常且无标记的数据时，所提出的基于流挖掘和图挖掘的集成方法是十分有意义的。

来源：2020年第7期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2020年第7期