典型文献
面向5G MEC基于行为的用户异常检测方案
文献摘要：
5G边缘计算靠近用户侧提供服务,而边缘侧汇聚着用户的敏感信息,用户非法接入或合法用户自身的恶意行为威胁到整个边缘网络的安全.将机器学习算法应用于边缘计算架构,提出一种基于行为的用户异常检测方案.对用户行为进行建模,采用独热编码和互信息进行数据预处理和特征选择,并利用极限梯度提升算法训练一个多分类器分类识别进入园区的用户,根据识别结果与用户身份是否一致来判定用户是否异常.在此基础上,通过孤立森林算法对授权用户历史行为数据进行模型训练,从而检测可信任用户的行为是否异常,实现对小型固定园区内未授权用户的识别以及对授权用户异常行为的检测.实验结果表明,该方案可满足边缘计算场景的时间复杂度要求,并且能够有效区分不同用户,分类准确率达到0.953,而对异常行为样本的误报率仅为0.01.
文献关键词：
移动边缘计算;用户异常检测;孤立森林算法;极限梯度提升算法;内部威胁检测
中图分类号：
作者姓名：
张伟成;卫红权;刘树新;王庚润
作者机构：
战略支援部队信息工程大学 国家数字交换系统工程技术研究中心,郑州 450001
文献出处：
引用格式：
[1]张伟成;卫红权;刘树新;王庚润-.面向5G MEC基于行为的用户异常检测方案)[J].计算机工程,2022(05):27-34
A类：
用户异常检测
B类：
MEC,检测方案,近用,用户侧,边缘侧,敏感信息,恶意,边缘网络,机器学习算法,算法应用,计算架构,用户行为,独热编码,互信息,数据预处理,特征选择,极限梯度提升算法,算法训练,一个多,多分类器,分类识别,用户身份,孤立森林算法,史行,行为数据,模型训练,可信任,任用,异常行为,时间复杂度,同用,分类准确率,误报率,移动边缘计算,内部威胁检测
AB值：
0.374939
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
