Одной из актуальных проблем в имеющихся системах анализа поведения является извлечение признаков аномальной активности деятельности пользователей из больших массивов входных данных. Проблема, решаемая в данном исследовании, основана на невозможности поиска аномальной активности пользователей по их перемещениям в связи с высокой вариативностью входных данных. Целью исследования является разработка модифицированного метода плотностной кластеризации для применения в мобильной системе поведенческого анализа с использованием методов и алгоритмов машинного обучения для нахождения отклонений в поведении пользователей по их перемещениям. В статье осуществляется сравнительный анализ методов плотностной кластеризации, применяемых в разрабатываемом программном комплексе поиска аномалий в поведенческих биометрических характеристиках пользователей системы. Осуществляется сглаживающая интерполяция входных данных. Описывается результат поиска аномалий модифицированным методом пространственной кластеризации с различными входными параметрами и осуществляется сравнение результатов с базовым методом. Благодаря использованию разработанного метода пространственной кластеризации достигнуто повышение качества анализа аномальной активности в деятельности пользователей по их перемещениям. Нахождение отклонений в собранных данных обеспечит своевременное реагирование администратора системы на отклонения от поведенческого профиля пользователя.
1. Dhiman C., Vishwakarma D. K. A review of state.of.the.art techniques for abnormal human activity recognition. Engineering Applications of Artificial Intelligence. 2019;(77):21-45.
2. Shaw E. D. et al. Behavioral risk indicators of malicious insider theft of intellectual property: Misreading the writing on the wall .White Paper, Symantec, Mountain View. 2011.
3. Carmagnola F., Cena F. User identification for cross-system personalisation. Information Sciences. 2009;(179):16-32.
4. Shashanka M., Shen M. Y., Wang J. User and entity behavior analytics for enterprise security. 2016 IEEE International Conference on Big Data (Big Data). – IEEE. 2016:1867-1874.
5. Ivutin A. N., Savenkov P. A., Veselova A. V. Neural network for analysis of additional authentication behavioral biometrie characteristics. 2018 7th Mediterranean Conference on Embedded Computing (MECO). – IEEE. 2018(8):1-3.
6. Mon T. L. L. Analysis of Trajectory Cleaning Based on DBSCAN and CB-SMOT Clustering Algorithms. International Journal of Advanced Research in Technology and Innovation. 2020(2):35-41.
7. Savenkov P. A., Ivutin A. N. Methods of Machine Learning in System Abnormal Behavior Detection. International Conference on Swarm Intelligence. Springer, Cham. 2020:495-505.
8. Huang F. et al. Research on the parallelization of the DBSCAN clustering algorithm for spatial data mining based on the Spark platform. Remote Sensing. 2017(9):1301.
9. Akutota T., Choudhury S. Big data security challenges: An overview and application of user behavior analytics. Int. Res. J. Eng. Technol. 2017(4):1544-1548.
10. Touma M. et al. Framework for behavioral analytics in anomaly identification. Ground/Air Multisensor Interoperability, Integration, and Networking for Persistent ISR VIII. – International Society for Optics and Photonics. 2017(10190):101900H.
Савенков Павел Анатольевич
ORCID |
Тульский государственный университет, Кафедра "Вычислительная техника"
Тула, Россия
