.png){kind=icon}
返回
A Hybrid Multi-Model Framework for Personalized User-Level Anomaly Detection with Data-Driven Threshold Optimization
.png){kind=icon}
PRE
AI
DOI：10.3390/computation14050102.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代用户认证系统日益需要具备用户和设备行为感知的自适应机制，以检测传统静态凭证验证认证框架之外的演变威胁。本文提出了一种基于数据驱动混合异常分数（HAS）的个性化用户级异常检测混合多模型框架。主要贡献在于通过联合整合三种自适应属性推导HAS：基于个体行为历史的动态计算每用户偏差阈值、反映用户群体成熟度的档案年龄感知基线权重，以及按安全影响调整各检测方法关键性的缩放聚合。该框架在大型真实世界数据集上进行了评估，展示了强大的检测性能，同时实现了适合实时企业部署的低推理延迟。框架的消融分析证实，动态权重和个性化阈值显著提升了检测稳定性和收敛性，为大规模认证环境提供了有效且可部署的解决方案。
Keyword:
user authentication
anomaly detection
hybrid anomaly detection
cybersecurity
multi-factor authentication (MFA)
