10.19678/j.issn.1000-3428.0061778
面向5G MEC基于行为的用户异常检测方案
5G边缘计算靠近用户侧提供服务,而边缘侧汇聚着用户的敏感信息,用户非法接入或合法用户自身的恶意行为威胁到整个边缘网络的安全.将机器学习算法应用于边缘计算架构,提出一种基于行为的用户异常检测方案.对用户行为进行建模,采用独热编码和互信息进行数据预处理和特征选择,并利用极限梯度提升算法训练一个多分类器分类识别进入园区的用户,根据识别结果与用户身份是否一致来判定用户是否异常.在此基础上,通过孤立森林算法对授权用户历史行为数据进行模型训练,从而检测可信任用户的行为是否异常,实现对小型固定园区内未授权用户的识别以及对授权用户异常行为的检测.实验结果表明,该方案可满足边缘计算场景的时间复杂度要求,并且能够有效区分不同用户,分类准确率达到0.953,而对异常行为样本的误报率仅为0.01.
移动边缘计算、用户异常检测、孤立森林算法、极限梯度提升算法、内部威胁检测
48
TP18(自动化基础理论)
国家科技重大专项2018ZX03002002
2022-05-17(万方平台首次上网日期,不代表论文的发表时间)
共8页
27-34