L’attention aux motifs est tout ce dont vous avez besoin pour la détection des menaces internes

Les menaces internes représentent un risque important, souvent sous-estimé, pour les organisations. Les méthodes traditionnelles de détection d’anomalies, fondées sur des motifs simplistes et dépourvues de conscience temporelle, peinent à capturer les subtilités du comportement utilisateur, entraînant des détections manquées et de nombreuses alertes erronées. Cette recherche propose une approche novatrice exploitant la puissance des modèles d’apprentissage profond afin de capturer des motifs complexes et hiérarchiques dans le comportement des utilisateurs, permettant ainsi la détection précoce d’activités malveillantes internes. L’approche introduit deux architectures distinctes : l’architecture à apprentissage profond distribuée dans le temps (TD-CNN-LSTM) et l’architecture à mécanisme d’attention consciente du contexte (TD-CNN-Attention). Ces architectures combinent des réseaux de neurones convolutifs (CNN) avec des réseaux récurrents à mémoire à long terme (LSTM) ou des mécanismes d’attention, afin d’extraire à la fois des caractéristiques spatiales et temporelles à partir des données d’accès utilisateur, capturant ainsi des motifs intriqués à différentes échelles temporelles. En outre, elles intègrent des informations utilisateur telles que les données psychométriques et les données organisationnelles, offrant une vue globale et contextuelle du comportement des utilisateurs. Une évaluation approfondie montre que les deux architectures réalisent des améliorations significatives en termes de précision et de score F1 par rapport aux solutions existantes de détection des menaces internes. En particulier, le modèle à attention se positionne comme une approche de pointe, offrant des performances supérieures. Cette recherche constitue une avancée majeure dans le domaine de la détection des menaces internes, ouvrant la voie aux organisations pour mieux protéger leurs actifs critiques et assurer leur sécurité dans un paysage de cybersécurité en constante évolution.