WEAPON : uma arquitetura de aprendizado não supervisionado para detecção de anomalias de comportamento de usuários

Detalhes bibliográficos
Autor(a) principal: Molina, André Luiz Bandeira
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: https://repositorio.unb.br/handle/10482/45317
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2022.
id UNB_c43a6dbdc4aea36325ff76bb00defe35
oai_identifier_str oai:repositorio.unb.br:10482/45317
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling WEAPON : uma arquitetura de aprendizado não supervisionado para detecção de anomalias de comportamento de usuáriosComportamento de usuários - anomaliasDetecção de anomaliasSegurança cibernéticaAutoencoderDissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2022.Nos últimos anos, a detecção de anomalias de comportamento do usuário tem conquistado a atenção em segurança cibernética. Um dos desafios cruciais que têm sido pesquisados na literatura é que modelos supervisionados que utilizam grandes quantidades de dados para treinamento não se aplicam a cenários reais de detecção de anomalias. Em contrapartida, modelos não supervisionados tendem a apresentar problemas de escalabilidade com relação ao número de usuários do dataset, uma vez que abordam os aspectos comportamentais de forma individual para cada usuário. Dentro deste contexto, a necessidade de obter datasets rotulados com anomalias de comportamento provou ser um fator limitante para avaliar diferentes modelos, e esta limitação é explorada nesta pesquisa. Este trabalho apresenta uma arquitetura para a detecção de anomalias de comportamento de usuários baseada Wide and Deep Convolutional LSTM Autoencoders – WEAPON. O WEAPON utiliza aprendizado não supervisionado e requer uma pequena quantidade de dados para construir perfis de comportamento considerando a individualidade de cada usuário. Além disso, o WEAPON implementa uma abordagem de supervisão fraca para rotulação de anomalias de comportamento a partir do Snorkel. Quando comparado com outras abordagens, o WEAPON provou ser mais eficiente superando o segundo melhor modelo em mais de 4% na curva ROC. Além disso, WEAPON supera os métodos baseados em regras ao encontrar anomalias que um especialista não anteciparia.In recent years, user behavior anomaly detection has been gaining attention in cybersecurity. A crucial challenge that has been discussed in the literature is that supervised models that use vast amounts of data for training do not apply to real scenarios for anomaly detection. In contrast, unsupervised models tend to face scalability problems with respect to the number of users in the dataset, since they address behavioral aspects on an individual basis for each user. Within this context, the requirement to gather datasets with labeled behavior anomalies has proven to be a significant limiting factor for evaluating different models, and this limitation is explored in this research. This work presents an architecture for user behavior anomaly detection based on Wide and Deep Convolutional LSTM Autoencoders – WEAPON. WEAPON uses unsupervised learning and requires a small amount of data to build behavior profiles considering the individuality of each user. Furthermore, WEAPON implements weak supervision-based behavior anomaly labeling approach using Snorkel. When compared to other approaches, WEAPON proved to be more efficient, surpassing the ROC curve of the second best model by more than 4%. Furthermore, WEAPON outperforms rule-based methods by finding anomalies that an expert would not anticipate.Faculdade de Tecnologia (FT)Departamento de Engenharia Elétrica (FT ENE)Programa de Pós-Graduação em Engenharia Elétrica, Mestrado ProfissionalRocha Filho, Geraldo PereiraGonçalves, Vinícius Pereiramolina.albmolina@gmail.comMolina, André Luiz Bandeira2022-12-16T19:00:57Z2022-12-16T19:00:57Z2022-12-162022-09-15info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfMOLINA, André Luiz Bandeira. WEAPON: uma arquitetura de aprendizado não supervisionado para detecção de anomalias de comportamento de usuários. 2022. xii, 107 f., il. Dissertação (Mestrado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2022.https://repositorio.unb.br/handle/10482/45317info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-03-07T03:24:33Zoai:repositorio.unb.br:10482/45317Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-03-07T03:24:33Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv WEAPON : uma arquitetura de aprendizado não supervisionado para detecção de anomalias de comportamento de usuários
title WEAPON : uma arquitetura de aprendizado não supervisionado para detecção de anomalias de comportamento de usuários
spellingShingle WEAPON : uma arquitetura de aprendizado não supervisionado para detecção de anomalias de comportamento de usuários
Molina, André Luiz Bandeira
Comportamento de usuários - anomalias
Detecção de anomalias
Segurança cibernética
Autoencoder
title_short WEAPON : uma arquitetura de aprendizado não supervisionado para detecção de anomalias de comportamento de usuários
title_full WEAPON : uma arquitetura de aprendizado não supervisionado para detecção de anomalias de comportamento de usuários
title_fullStr WEAPON : uma arquitetura de aprendizado não supervisionado para detecção de anomalias de comportamento de usuários
title_full_unstemmed WEAPON : uma arquitetura de aprendizado não supervisionado para detecção de anomalias de comportamento de usuários
title_sort WEAPON : uma arquitetura de aprendizado não supervisionado para detecção de anomalias de comportamento de usuários
author Molina, André Luiz Bandeira
author_facet Molina, André Luiz Bandeira
author_role author
dc.contributor.none.fl_str_mv Rocha Filho, Geraldo Pereira
Gonçalves, Vinícius Pereira
molina.albmolina@gmail.com
dc.contributor.author.fl_str_mv Molina, André Luiz Bandeira
dc.subject.por.fl_str_mv Comportamento de usuários - anomalias
Detecção de anomalias
Segurança cibernética
Autoencoder
topic Comportamento de usuários - anomalias
Detecção de anomalias
Segurança cibernética
Autoencoder
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-12-16T19:00:57Z
2022-12-16T19:00:57Z
2022-12-16
2022-09-15
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv MOLINA, André Luiz Bandeira. WEAPON: uma arquitetura de aprendizado não supervisionado para detecção de anomalias de comportamento de usuários. 2022. xii, 107 f., il. Dissertação (Mestrado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2022.
https://repositorio.unb.br/handle/10482/45317
identifier_str_mv MOLINA, André Luiz Bandeira. WEAPON: uma arquitetura de aprendizado não supervisionado para detecção de anomalias de comportamento de usuários. 2022. xii, 107 f., il. Dissertação (Mestrado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2022.
url https://repositorio.unb.br/handle/10482/45317
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1810580701345480704

Registros relacionados