การตรวจจับพฤติกรรมของผู้ใช้ที่เป็นอันตรายภายในและข้ามแอปพลิเคชัน

ในอดีต องค์กรองค์กรไม่ได้ติดตามกิจกรรมของพนักงานของตนภายในแอปพลิเคชันทางธุรกิจภายในอย่างเพียงพอ พวกเขาไว้วางใจพนักงานของตนเป็นหลัก (และสุ่มสี่สุ่มห้า) ความไว้วางใจนี้ทำให้เกิดความเสียหายทางธุรกิจอย่างรุนแรงอันเนื่องมาจากการกระทำของคนในที่ประสงค์ร้าย

การตรวจสอบทำได้ยากเมื่อโซลูชันที่มีอยู่สำหรับการตรวจจับกิจกรรมที่เป็นอันตรายในแอปพลิเคชันทางธุรกิจนั้นส่วนใหญ่ขึ้นอยู่กับกฎที่ต้องเขียนและดูแลรักษาแยกกันสำหรับแต่ละแอปพลิเคชัน เนื่องจากแต่ละแอปพลิเคชันมีชุดกิจกรรมและรูปแบบบันทึกที่ออกแบบตามความต้องการ โซลูชันการตรวจจับตามกฎยังสร้างผลบวกลวงจำนวนมาก (เช่น การแจ้งเตือนที่ผิดพลาด) และผลลบลวง (เช่น กิจกรรมที่เป็นอันตรายไม่ถูกตรวจพบ)

การตรวจจับจะต้องไม่คำนึงถึงความหมายของกิจกรรมของแอปพลิเคชัน เพื่อให้สามารถนำไปใช้กับแอปพลิเคชันทางธุรกิจใดๆ ได้

วิธีแก้ปัญหาสำหรับความท้าทายนี้คือการวิเคราะห์ลำดับของกิจกรรม แทนที่จะวิเคราะห์แต่ละกิจกรรมด้วยตัวเอง ซึ่งหมายความว่าเราควรวิเคราะห์การเดินทางของผู้ใช้ (เช่น เซสชัน) เพื่อตรวจสอบผู้ใช้ที่ได้รับการตรวจสอบสิทธิ์ในแอปพลิเคชันทางธุรกิจ ก เครื่องยนต์ตรวจจับ เรียนรู้การเดินทางทั่วไปทั้งหมดสำหรับผู้ใช้แต่ละคนหรือกลุ่มประชากรตามรุ่น และใช้การเดินทางดังกล่าวเพื่อตรวจจับการเดินทางที่เบี่ยงเบนไปจากการเดินทางทั่วไป

ความท้าทายหลักสองประการที่กลไกการตรวจจับจำเป็นต้องแก้ไขคือ:

1. แต่ละแอปพลิเคชันมีชุดกิจกรรมและรูปแบบบันทึกที่แตกต่างกัน
2. เราจำเป็นต้องเรียนรู้การเดินทางของผู้ใช้โดยทั่วไปในแต่ละแอปพลิเคชันและระหว่างแอปพลิเคชันอย่างแม่นยำ

การสร้างมาตรฐานให้กับโมเดลการตรวจจับ

เพื่อที่จะใช้โมเดลการตรวจจับหนึ่งโมเดลกับบันทึกเลเยอร์แอปพลิเคชันใดๆ เราสามารถแยกคุณลักษณะตามลำดับสามประการต่อไปนี้ออกจากการเดินทางแต่ละครั้ง (เช่น ลักษณะเฉพาะ):

1. ชุดของกิจกรรม แต่ละกิจกรรมแสดงด้วยรหัสตัวเลข
2. ลำดับของการทำกิจกรรมในเซสชัน
3. ช่วงเวลาระหว่างกิจกรรมระหว่างเซสชั่น

คุณสมบัติทั้งสามนี้สามารถนำมาใช้กับ ใด เซสชันแอปพลิเคชัน และแม้แต่เซสชันข้ามแอปพลิเคชัน

รูปด้านล่างแสดงคุณลักษณะสามประการของการเดินทางของผู้ใช้โดยอิงตามกิจกรรมห้ากิจกรรม ซึ่งแต่ละกิจกรรมจะแสดงด้วยตัวเลข เนื่องจากกิจกรรมนั้นเป็นรหัสตัวเลขจากมุมมองของแบบจำลอง

การเรียนรู้เส้นทางของผู้ใช้ทั่วไปในแอปต่างๆ

ตามที่อธิบายไว้ข้างต้น การตรวจพบการเดินทางที่ผิดปกตินั้นขึ้นอยู่กับการเรียนรู้ ทั้งหมด การเดินทางของผู้ใช้ทั่วไป เทคโนโลยีการจัดกลุ่มจะจัดกลุ่มจุดข้อมูลที่คล้ายกันเพื่อเรียนรู้การเดินทางของผู้ใช้เหล่านี้ และสร้างการเดินทางของผู้ใช้ทั่วไปสำหรับการเดินทางที่คล้ายกันแต่ละกลุ่ม กระบวนการนี้ทำงานอย่างต่อเนื่องเมื่อมีข้อมูลบันทึกใหม่

เมื่อระบบเรียนรู้การเดินทางโดยทั่วไปสำหรับผู้ใช้แล้ว โซลูชันการตรวจจับสามารถตรวจสอบการเดินทางใหม่ทุกครั้งเพื่อดูว่าการเดินทางนั้นคล้ายกับการเดินทางที่เรียนรู้ก่อนหน้านี้หรือไม่ หากการเดินทางปัจจุบันไม่เหมือนกับเซสชันที่ผ่านมา โซลูชันจะตั้งค่าสถานะเป็นความผิดปกติ นอกจากนี้ยังสามารถเปรียบเทียบการเดินทางปัจจุบันกับการเดินทางที่เกี่ยวข้องกับ กลุ่มประชากรตามรุ่นที่ผู้ใช้เป็นสมาชิก.

โซลูชันการตรวจจับจะต้องอิงตามกลไกการจัดกลุ่มที่แม่นยำอย่างยิ่ง ซึ่งออกแบบมาเพื่อการจัดกลุ่มตามลำดับ โดยที่ยังคงเหลือจำนวนการเดินทางที่จัดกลุ่มเกือบเป็นเส้นตรง และไม่จำเป็นต้องมีความรู้ล่วงหน้าเกี่ยวกับจำนวนคลัสเตอร์ที่จะสร้าง นอกจากนี้ ยังต้องตรวจจับค่าผิดปกติ ลบออกจากชุดข้อมูลเพื่อเพิ่มความแม่นยำในการรวมกลุ่ม และระบุค่าผิดปกติเหล่านี้เป็นความผิดปกติ นั่นคือวิธีที่กลไกการจัดกลุ่มที่สร้างกลุ่มของการเดินทางของผู้ใช้ที่คล้ายกันสามารถตรวจจับการเดินทางของผู้ใช้ที่ผิดปกติในข้อมูลประวัติและรายงานเป็นความผิดปกติได้