Модель поведения пользователя корпоративной информационной системы
DOI: 10.21293/1818-0442-2023-26-4-78-83
☷
- О ТУСУРе
- Абитуриентам
-
Студентам
- Первокурсникам
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Групповое проектное обучение
- Журнал посещаемости
- Журнал успеваемости
- Клубы по интересам
- Спорт в ТУСУРе
- Профком студентов
- Содействие трудоустройству
- Облачное хранилище ТУСУРа
- Поддержка студенческих семей
- Поддержка участников СВО и их детей
- Многофункциональный центр
- Аспирантам
-
Сотрудникам
- Телефонный справочник
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Журнал посещаемости
- Журнал успеваемости
- Генератор рабочих программ
- Генератор ОПОП
- Генератор ИПРП
- Показатели эффективности труда ППС
- Спорт в ТУСУРе
- Профком сотрудников
- Облачное хранилище ТУСУРа
- Выпускникам
- Партнёрам
Аннотация: Представлена модель поведения пользователя корпоративной информационной системы на основе графа де Брюина второго порядка и ассоциированных с вершинами графа признаков текстовых данных. Текстовые признаки созданы с учетом специфики данных, отображаемых в клиентских приложениях информационных систем. Мо-дель позволяет определить отклонения в поведении, которые в том числе могут быть вызваны внутренними утечками данных. Определяемые с помощью модели отклонения включают сценарии выгрузки данных несвойственной тематики и доступа к данным типичной тематики, но с нарушением исполнения бизнес-процессов. Мо-дель оценена на основе критериев полноты, адекватности и экономичности.
Ключевые слова: внутренние утечки данных, корпоративные информационные системы, модель поведения
Сведения о финансировании: Работа выполнена в рамках проекта «Гранты ИБ МТУСИ» 2022.
Библиография статьи:
Банокин П. И. Модель поведения пользователя корпоративной информационной системы / П. И. Банокин // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2023. – Т. 26, № 4. – С. 78–83. DOI: 10.21293/1818-0442-2023-26-4-78-83
Авторы и правообладатели:
- Банокин П. И. , Томский государственный университет систем управления и радиоэлектроники (Томск, Россия)
- 1. Shabtai A. A survey of data leak-age detection and prevention Solutions. / A. Shabtai, Y. Elovici, L. Rokach. – Berlin, Germany: Springer, 2012. – 92 p.
- 2. Исакова Т. На работу, как на фишинг / Т. Исакова, Н. Королев // Газета «Коммерсантъ». – 08.08.2022. – Ст. 18.
- 3. «Ростелеком» оштрафовали на 60 000 рублей за утечку пользовательских данных // Хакер [Электронный ресурс]. – Режим доступа: URL: https://xakep.ru/2023/04/19/rostelekom-penalty/ (дата обращения: 19.04.2023).
- 4. Курашева А. Количество утечек данных в крупных компаниях выросло в 1,5 раза // Ведомости. – 2023. – 12.05. – Ст. 19.
- 5. Принцип работы Solar Dozor // Ростелеком [Электронный ресурс]. – Режим доступа: URL: https://rt-solar.ru/products/solar_dozor/architecture/ (дата обращения: 24.09.2023).
- 6. Евсиков В. Пробей меня полностью! Кто, как и за сколько пробивает персональные данные в России // Хакер. – 2020. – № 10 [Электронный ресурс]. – Режим доступа: https://xakep.ru/2020/10/09/personal-data/ (дата обращения: 05.09.2023).
- 7. Denning D.E. An Intrusion Detection Model // IEEE transactions on software engineering. – 1987. – Vol. SE-13. – P. 222–232.
- 8. Hu J. Anomalous User Activity Detection in Enterprise Multi-Source Logs / J. Hu, T. Baoming, D. Lin // International Conference on Data Mining Workshops. – New Orleans, USA: IEEE, 2017. – P. 797–803.
- 9. Mohotti W. Efficient outlier detection in text corpus using rare frequency and ranking / W. Mohotti, R. Nayak // ACM Transactions on Knowledge Discovery from Data. – 2020. – Vol. 14, No. 6. – P. 1–30.
- 10. Haixuan G. LogBERT: Log Anomaly Detection via BERT / G. Haixuan, Y. Shuhan, W. Xintao // International Joint Conference on Neural Networks (IJCNN). – Shenzhen, China: IEEE, 2021. – P. 1–8.
- 11. Weibin M. et al. LogAnomaly: Unsupervised Detection of Sequential and Quantitative Anomalies in Unstructured Logs // Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence. – Macao, China: IJCAI, 2019. – P. 4739–4745.
- 12. A Graph Embedding Approach to User Behavior Anomaly Detection / A. Modell, J. Larson, M. Turcotte, A. Bertiger // GTA 2.0: The 5th IEEE Big Data Workshop on Graph Techniques for Adversarial Activity Analytics. – New Jersey, USA: IEEE, 2021. – P. 2650–2655.
- 13. Modelling User Behavior Dynamics with Embeddings / L. Han, A. Checco, D. Difallah, G. Demartini, S. Sadiq // CIKM '20: Proceedings of the 29th ACM International Conference on Information & Knowledge Management. – NY, USA: ACM, 2020. – P. 445–454.
- 14. Boniol P. Series2Graph: graph-based subsequence anomaly detection for time series / P. Boniol, T. Palpanas // Proceedings of the VLDB Endowment. – Tokyo: VLDB Endowment, 2020. – P. 1821–1834.
- 15. Bruijn de N.G. A combinatorial problem // Proceedings of the Section of Sciences of the Koninklijke Nederlandse Akademie van Wetenschappen te Amsterdam. – 1941. – Vol. 49, No. 7. – P. 758–764.
- 16. Pevny T. Loda: Lightweight on-line detector of anomalies // Machine Learning. – 2016. – Vol. 102. – P. 275–304.
- 17. Autoencoder-based outlier detection for sparse, high dimensional data / W. Chen, H. Li, H. Li, A. Arshad // Proceedings of 2020 IEEE International Conference on Big Data (Big Data). – Atlanta, USA: IEEE, 2020. – P. 2735–2742.
-2026-1_%D0%BA%D0%BE%D0%BF%D0%B8%D1%8F.jpg)
Адрес редакции
Подписка на обновления
