📄ArXiv AI•較早收集於 11h
哈迪斯啟發的多軸信任模型偵測劫持
#anomaly-detection#account-hijacking#behavioral-features#trust-modelingmulti-axis-trust-modelingarxivclue-ldscert
💡可解釋 ML 框架在帳戶劫持基準上碾壓基線（CERT ROC-AUC 0.715）。
⚡ 30-Second TL;DR
有什麼變化
將 5 個哈迪斯信任軸轉換為 26 個使用者行為特徵
為什麼重要
提供可解釋的黑盒異常偵測替代方案，適合保護雲端環境中 AI 管理的使用者帳戶。在真實世界不平衡資料集上展現穩健性，有助於生產部署。
下一步行動
從使用者日誌提取 26 個信任特徵，並訓練 Random Forest 模型進行劫持偵測。
誰應關注：Researchers & Academics
關鍵要點
- •將 5 個哈迪斯信任軸轉換為 26 個使用者行為特徵
- •引入時間特徵捕捉短期信任變化
- •在 23k CLUE-LDS 視窗上以 Random Forest 達近完美偵測
- •在 CERT 上將 ROC-AUC 從 0.627 提升至 0.715
🧠 深度解析
背景與延伸：來自公開資料，非原文內容。引用 6 個來源。
🔑 增強重點摘要
- •CLUE-LDS 資料集包含超過 5000 名用戶在 2017-07-07 至 2022-09-29 期間產生的約 5000 萬個雲端儲存日誌事件，涵蓋登入、檔案存取、連結分享與設定變更等正常行為，用於模擬帳戶劫持異常偵測。[2]
- •CLUE-LDS 日誌結構包括唯一 ID、ISO 時間戳、無名化用戶 ID、事件類型（如 login_successful 或 file_accessed）及巢狀參數字典，支持用戶行為切換模擬攻擊。[2]
- •相關 CAM-LDS 資料集引入七種攻擊情境，涵蓋 MITRE ATT&CK 戰術如偵察、初始存取、憑證存取與横向移動，並整合 Wazuh 主機入侵偵測與 Suricata 網路流量捕捉。[1]
🔮 前景展望AI analysis grounded in cited sources
多軸信任模型將提升 UEBA 在不平衡資料集上的泛化能力
論文在 CERT 資料集上將 ROC-AUC 從 0.627 提升至 0.715，顯示時間特徵與 Random Forest 能有效處理真實世界不平衡情境。
哈迪斯信任軸轉換特徵工程將成為帳戶劫持偵測標準
將五軸轉為 26 個行為特徵並結合 CLUE-LDS 達近完美效能，提供可解釋框架超越傳統黑箱模型。
⏳ 時間線
2017-07
CLUE-LDS 資料集開始收集雲端用戶行為日誌
2022-09
CLUE-LDS 資料集完成收集，涵蓋 5000 萬事件並公開於 Zenodo
2022-10
CLUE-LDS GitHub 儲存庫發布，包含異常偵測腳本
2026-03
arXiv 發布哈迪斯多軸信任模型論文，使用 CLUE-LDS 達近完美偵測
📎 來源 (6)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗
每週 AI 簡報
每週一封，可隨時退訂。