МЕТОД ТЕМПОРАЛЬНОГО РАННЬОГО ПРОГНОЗУВАННЯ ВНУТРІШНІХ ІНЦИДЕНТІВ З КАЛІБРУВАННЯМ ЙМОВІРНОСТЕЙ РИЗИКУ

Тамара Радівілова; Вадим Пантєлєєв

doi:10.28925/2663-4023.2026.34.1362

Автор(и)

Тамара Радівілова Харківський національний університет радіоелектроніки https://orcid.org/0000-0001-5975-0269
Вадим Пантєлєєв Харківський національний університет радіоелектроніки https://orcid.org/0009-0008-7824-8782

DOI:

https://doi.org/10.28925/2663-4023.2026.34.1362

Ключові слова:

інсайдерські загрози, раннє прогнозування, часове випередження, калібрування ймовірностей, моделювання, граф, трансформер, змагальна стійкість, OSINT

Анотація

У роботі запропоновано метод темпорального раннього прогнозування внутрішніх (інсайдерських) інцидентів, який здійснює перехід від бінарної класифікації «інцидент / не інцидент» до оцінювання динаміки ризику в часі. Часові ряди поведінкової телеметрії та розріджених сигналів розвідки з відкритих джерел (OSINT) агрегуються ієрархічною байєсівською моделлю простору станів, у якій латентний ризик користувача еволюціонує як авторегресійний процес, а спостереження різної природи входять через власні функції правдоподібності. Структура організаційного графа враховується не гомофілійним усередненням сусідів, а гетерофілійно-свідомим контрастом «вузол проти околу» та структурним пріором, що відповідає емпірично встановленій властивості інсайдерських зв’язків: аномальні ребра з’єднують порушника переважно з нормальними носіями чутливих ресурсів. Виходом методу є калібрована апостеріорна ймовірність настання інциденту в межах горизонту прогнозу, а правило тривоги будується за керованим бюджетом хибних спрацювань із вимогою стійкості сигналу протягом кількох діб. Обчислювальний експеримент на темпоральному наборі, параметризованому за описом CERT (тисяча користувачів, 420 діб, п’ять повторень), показав, що за фіксованого навантаження 0,1 хибної тривоги на користувача сама лише телеметрія забезпечує виявлення 0,11 інсайдерів, додавання OSINT-сигналів підвищує цей показник до 0,62, а повний метод – до 0,66 за майже вдвічі меншої частки хибних тривог; площа під ROC-кривою становить 0,957, а температурне калібрування знижує оцінку Браєра з 0,037 до 0,004 та очікувану похибку калібрування з 0,158 до 0,002. Окремо досліджено змагальну стійкість: приховування та підроблення відкритого цифрового сліду знижують виявлення до 0,01–0,06, тобто раннє попередження, побудоване на OSINT, є принципово вразливим до маніпуляції з боку самого порушника, тоді як ранжування користувачів частково зберігається завдяки структурному складнику. Показано, що довірче злиття та масковане донавчання компенсують деградацію лише частково і ціною чутливості за чистих умов.

Завантаження

Дані завантаження ще не доступні.

Посилання

Kirichenko, L., Radivilova, T., & Bulakh, V. (2019). Machine learning in classification time series with fractal properties. Data, 4(1), Article 5, 1–13. https://doi.org/10.3390/data4010005

Radivilova, T., Kirichenko, L., Alghawli, A. S., Ilkov, A., Tawalbeh, M., & Zinchenko, P. (2020). The complex method of intrusion detection based on anomaly detection and misuse detection. In 2020 IEEE 11th International Conference on Dependable Systems, Services and Technologies (DESSERT) (pp. 133–137). IEEE. https://doi.org/10.1109/DESSERT50317.2020.9125051

Kirichenko, L., Pichugina, O., Radivilova, T., & Pavlenko, K. (2023). Application of wavelet transform for machine learning classification of time series. In S. Babichev & V. Lytvynenko (Eds.), Lecture notes in data engineering, computational intelligence, and decision making. ISDMCI 2022 (Lecture Notes on Data Engineering and Communications Technologies, Vol. 149, pp. 445–458). Springer, Cham. https://doi.org/10.1007/978-3-031-16203-9_31

Пантєлєєв, В., Радівілова, Т., Добринін, І., Фісенко, Д., Мазепа, А., & Білодід, В. (2025). Аналіз методів прогнозування внутрішніх загроз на основі аналізу даних соціальної мережі TWITTER. Кібербезпека: освіта, наука, техніка, 4(28), 478–489. https://doi.org/10.28925/2663-4023.2025.28.818

Yuan, S., & Wu, X. (2021). Deep learning for insider threat detection: Review, challenges and opportunities. Computers & Security, 104, Article 102221. https://doi.org/10.1016/j.cose.2021.102221

Daradkeh, Y. I., Kirichenko, L., & Radivilova, T. (2018). Development of QoS methods in the information networks with fractal traffic. International Journal of Electronics and Telecommunications, 64(1), 27–32. https://doi.org/10.24425/118142

Radivilova, T., Kirichenko, L., Panteleev, V., & Mazepa, A. (2024). Analysis of authentication methods for full-stack applications and implementation of a web application with an integrated authentication system. Innovative Technologies and Scientific Solutions for Industries, (3), 76–90. https://doi.org/10.30837/ITSSI.2024.3.076

Nasir, R., Afzal, M., Latif, R., & Iqbal, W. (2021). Behavioral based insider threat detection using deep learning. IEEE Access, 9, 143266–143274. https://doi.org/10.1109/ACCESS.2021.3118297

Al-Mhiqani, M. N., Ahmad, R., Abidin, Z. Z., Abdulkareem, K. H., Mohammed, M. A., Gupta, D., & Shankar, K. (2022). A new intelligent multilayer framework for insider threat detection. Computers & Electrical Engineering, 97, Article 107597. https://doi.org/10.1016/j.compeleceng.2021.107597

Gong, Y., Cui, S., Liu, S., Jiang, B., Dong, C., & Lu, Z. (2024). Graph-based insider threat detection: A survey. Computer Networks, 254, Article 110757. https://doi.org/10.1016/j.comnet.2024.110757

Fei, K., Zhou, J., Su, L., Wang, W., & Chen, Y. (2025). Log2Graph: A graph convolution neural network based method for insider threat detection. Journal of Computer Security, 33(2). https://doi.org/10.3233/JCS-230092

Thi, V. D., Duc, T. T., Nguyen, T. V., & Luong, H.-M. P. (2026). Insider threat detection using knowledge graphs and RiskScore-guided graph neural networks. Engineering, Technology & Applied Science Research, 16(2), 33712–33721. https://doi.org/10.48084/etasr.17187

Dwivedi, V. P., & Bresson, X. (2021). A generalization of transformer networks to graphs. arXiv. https://doi.org/10.48550/arXiv.2012.09699

Ying, C., Cai, T., Luo, S., Zheng, S., Ke, G., He, D., Shen, Y., & Liu, T.-Y. (2021). Do transformers really perform badly for graph representation? In Advances in Neural Information Processing Systems (Vol. 34, pp. 28877–28888). Curran Associates, Inc. https://doi.org/10.48550/arXiv.2106.05234

Rampášek, L., Galkin, M., Dwivedi, V. P., Luu, A. T., Wolf, G., & Beaini, D. (2022). Recipe for a general, powerful, scalable graph transformer. In Advances in Neural Information Processing Systems (Vol. 35, pp. 14501–14515). Curran Associates, Inc. https://doi.org/10.48550/arXiv.2205.12454

Xu, F., Wang, N., Wu, H., Wen, X., Zhao, X., & Wan, H. (2024). Revisiting graph-based fraud detection in sight of heterophily and spectrum. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 38, No. 8, pp. 9214–9222). AAAI Press. https://doi.org/10.1609/aaai.v38i8.28773

Zhu, J., Yan, Y., Zhao, L., Heimann, M., Akoglu, L., & Koutra, D. (2020). Beyond homophily in graph neural networks: Current limitations and effective designs. In Advances in Neural Information Processing Systems (Vol. 33, pp. 7793–7804). Curran Associates, Inc. https://doi.org/10.48550/arXiv.2006.11468

Chien, E., Peng, J., Li, P., & Milenkovic, O. (2021). Adaptive universal generalized PageRank graph neural network. arXiv. https://doi.org/10.48550/arXiv.2006.07988

Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. In Proceedings of the 34th International Conference on Machine Learning (ICML) (pp. 1321–1330). PMLR. https://doi.org/10.48550/arXiv.1706.04599

Angelopoulos, A. N., & Bates, S. (2023). Conformal prediction: A gentle introduction. Foundations and Trends in Machine Learning, 16(4), 494–591. https://doi.org/10.1561/2200000101

Gibbs, I., & Candès, E. (2021). Adaptive conformal inference under distribution shift. In Advances in Neural Information Processing Systems (Vol. 34, pp. 1660–1672). Curran Associates, Inc. https://doi.org/10.48550/arXiv.2106.00170

Candès, E., Lei, L., & Ren, Z. (2023). Conformalized survival analysis. Journal of the Royal Statistical Society Series B, 85(1), 24–45. https://doi.org/10.1093/jrsssb/qkac004

Zügner, D., Akbarnejad, A., & Günnemann, S. (2018). Adversarial attacks on neural networks for graph data. In Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 2847–2856). ACM. https://doi.org/10.1145/3219819.3220078

Freitas, S., Yang, D., Kumar, S., Tong, H., & Chau, D. H. (2022). Graph vulnerability and robustness: A survey. IEEE Transactions on Knowledge and Data Engineering, 35(6), 5915–5934. https://doi.org/10.1109/TKDE.2022.3163672

Glasser, J., & Lindauer, B. (2013). Bridging the gap: A pragmatic approach to generating insider threat data. In 2013 IEEE Security and Privacy Workshops (pp. 98–104). IEEE. https://doi.org/10.1109/SPW.2013.37

Harilal, A., Toffalini, F., Castellanos, J., Guarnizo, J., Homoliak, I., & Ochoa, M. (2017). TWOS: A dataset of malicious insider threat behavior based on a gamified competition. In Proceedings of the 2017 International Workshop on Managing Insider Security Threats (pp. 45–56). ACM. https://doi.org/10.1145/3139923.3139929

Klimt, B., & Yang, Y. (2004). The Enron corpus: A new dataset for email classification research. In J.-F. Boulicaut, F. Esposito, F. Giannotti, & D. Pedreschi (Eds.), Machine Learning: ECML 2004 (Lecture Notes in Computer Science, Vol. 3201, pp. 217–226). Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-30115-8_22