1.一种基于量子生成对抗网络的内部用户异常行为检测与评估方法,包括如下步骤:(1)数据预处理:从不同的多个文件中选择原始用户数据集,根据行为域的指标体系筛选出定量和定性的指标数据,将数据划分为不同用户的数据集,并对筛选出的指标数据做归一化处理;
(2)基于量子生成对抗网络的用户行为建模:选取用户的正常行为数据作为训练集,利用QGAN生成负样本,进而训练网络实现用户正常行为模型构建,其中QGAN采用量子-经典混合架构,通过量子和经典的混合架构实现输入/输出经典数据;所述QGAN采用量子-经典混合架构,其中生成器采用量子参数化线路模型,判别器采用经典的全连接神经网络,通过量子和经典的混合架构输入/输出经典数据,更有利于经典计算机对数据的处理;
(3)行为检测与评估:
为了表征用户行为的安全性,定义用户行为威胁得分d(x),同时根据行为特征定义威胁阈值,根据威胁得分和威胁阈值判定威胁行为;假设当前待检测数据为x,威胁得分d(x)计算公式为d(x)=(1-λ)Rd+λRn (1)其中,λ表示权值,Rd和Rn分别代表生成器和分类器的重构误差,Rd为数据x与训练好的生成模型G(z)生成数据的差异:Rd=‖x-G(z)‖ (2)
Rn代表从分类器的角度来确定x跟生成样本的差异,选取分类器作为中间层的表示,计算公式如下:Rn=‖fn(x)-fn(G(z))‖ (3)fn(·)表示为分类器;
根据威胁得分和阈值Thd的比较,可以将用户行为Xt(x)分类为正常行为和威胁行为:其中Dtest为待测试数据;
根据其计算出的威胁得分d(x)使用评估函数f(d(x))对威胁的用户行为进行威胁评估,之后再根据评估阈值Thf将威胁用户行为的威胁程度划分为低危行为和高危行为;
评估函数为f(d(x))表达式如下:
其中,Low_threat、High_threat为威胁等级,Low_threat表示没有恶意行为或有较少的异常操作,而High_threat表示有恶意行为或有较频繁的异常操作;
进一步的,当用户采取恶意行为或任何异常操作时,行为得分d(x)超过2倍Thd,因此,采用威胁阈值Thf=2Thd (6)。
2.根据权利要求1所述的基于量子生成对抗网络的内部用户异常行为检测与评估方法,其特征是:步骤(1)所述定量指标数据为数值化指标,按照不同的用户,选定以天为时间单位来计算并统计频次特征。
3.根据权利要求1所述的基于量子生成对抗网络的内部用户异常行为检测与评估方法,其特征是:步骤(1)所述定性指标为非数值化指标。