Work

Herne teoretická optimalizace detekce škodlivého chování

Year: 2016
Type: dissertation
Abstract: Klasifikátory založené na strojovém učení se používají v takových bezpečnostních aplikacích jako detekce podvodného chování nebo detekce narušení bezpečnosti počítačových ve snaze předejít detekci. Avšak klasické metody strojového učení se s tím nedokážou vypořádat jelikož jsou založené na předpokladu že budoucí pozorování budou odpovídat rozložení trenovácích dat. S použitím relevantní literatury možné útoky na klasifikátory vyplývající z této jejich limitace jsou analyzovány spolu s existujícími metodami reakce na nebezpečí útoků. Diskutujeme že místo ignorování existence adaptability útočníků a opravy následně způsobené škody je výhodnější namodelovat soupeře pomocí teorie her s následnou predikcí a omezením jeho možností způsobovat škodu. Jenže byla zjištěna mezera mezi praktickými požadavky na klasifikátory a vlastnostmi existujících modelů herně teoretické optimalizace detekce škodlivého chování. V této práci vyvíjíme postup který vyplní danou mezeru. Praktická aplikovatelnost navržené metody byla vynucena spoluprací s Divizí Bezpečnosti společnosti O2 Czech Republic a.s.: nová metodabyla vyvinuta jako vylepšení interního systému na detekci podvodného chování. Ve výsledku navrženou metodu se dá aplikovat na binární klasifikátor jako na černou skříňku, bez omezení na použitý algoritmus strojového učení. Navíc vyvinutý postup umožňuje omezovat poměr falešných poplachů, což je zásadním požadavkem v bezpečnostních aplikacích strojového učení. Dále model bere v úvahu skutečnost že existují různé typy útočníka. Kromě toho variabilita typů útočníka a zisky v rámci modelu jsou odvozený na základě nasbíraných datech, což minimalizuje počet hypotéz nepodložených pozorováními. Taky model bere v potaz omezenou racionalitu útočníků. Součástí pozorováními. Taky model bere v potaz omezenou racionalitu útočníků. Součástí postupu jsou i vyvinuté efektivní algoritmy na počítání několika herně teoretických konceptů řešení: Nashovy rovnováhy, Stackelbergovy rovnováhy i Stackelbergovy rovnováhy za omezení na poměr falešných poplachů. Díky efektivitě navržených algoritmů je očekáváno že vyvinutý postup zůstane aplikovatelný i pro větší soubory dat. Nakonec efektivita postupu je demonstrována pomocí rozsáhlé experimentální evaluace. S využitím dat z klasifikátorů pro detekce narušení bezpečnosti bylo ukázáno že navržené algoritmy jsou lepší než existující alternativy. Dále na případě detekce podvodného chování v O2 Czech Republic je ukázáno že vyvinutá metoda zachovává účinnost klasifikátoru bez herně teoretické optimalizace na statických datech a vylepšuje robustnost klasifikace pokud se útočník chová v souladu s navrženým modelem.
Language: Czech
Open Access status: green
OpenAlex ID: W2419611629
Cites: 60
Cited by:
Related to: 10