Insider Threat Graph Modelle (R5.2 & R6.2)

Dieses Repository enthält Datenvorbereitung, Merkmalsextraktion und graphbasierte Modelle (GCN-NN, GCN-BiLSTM und GCN-BiLSTM+Attention für implizite+explizite Signale) zur Erkennung von Insider-Bedrohungen unter Verwendung des CMU CERT Insider Threat Test Datensatzes (R5.2, R6.2).

Repository-Struktur

.
│   environment.yml
│   requirements.txt
│   tree.txt
│
├── data/
│   ├── original/
│   │   ├── r5_data/
│   │   └── r6_data/
│   ├── preprocessed/
│   │   ├── r5_data/
│   │   └── r6_data/
│   ├── r5.2-used-model/
│   └── r6.2_used_model/
│
├── notebook/
│   │   01_feature_extraction.ipynb
│   │   02_GCN-LSTM.ipynb
│   │   03_GCN.ipynb
│   │   04_GCN_Implicit_Explicit.ipynb
│   │   r5_data_preparation.ipynb
│   │   r6_data_preparation.ipynb
│   │   email_http_divider.ipynb
│
└── script/
    │   get_feature.py
    │   process_feature.py
    └── __pycache__/

Der vollständige, tiefe Baum (einschließlich aller .pkl- und Modell-Checkpoints) kann in tree.txt aufbewahrt werden, um diese README kurz zu halten.

Einrichtung

1. Repository klonen

   root@kitploit:~

   git clone https://github.com/your-username/your-repo.git
   cd your-repo
   

2. Conda-Umgebung erstellen

   root@kitploit:~

   conda env create -f environment.yml
   

3. Aktivieren

   root@kitploit:~

   conda activate <env_name>
   

   Ersetzen Sie <env_name> durch den Wert unter name: in environment.yml.

4. (Optional) Nur Pip-Installation

   root@kitploit:~

   pip install -r requirements.txt
   

Daten

1. Laden Sie den CMU CERT Insider Threat Test Datensatz (R5.2 und R6.2) herunter von:
   https://kilthub.cmu.edu/articles/dataset/Insider_Threat_Test_Dataset/12841247

2. Legen Sie die Rohdaten ab unter:

   root@kitploit:~

   data/original/r5_data/
   data/original/r6_data/
   

Vorverarbeitung

Führen Sie die Vorbereitungs-Notebooks aus, um die kleineren Session-Dateien und kanonischen CSVs/PKLs zu erstellen.

• R5.2

  root@kitploit:~

  notebook/r5_data_preparation.ipynb
  

• R6.2

  root@kitploit:~

  notebook/r6_data_preparation.ipynb
  

Erwartete R5.2-Ausgaben (Beispiele):

r5_small_device_session.pkl
r5_small_file_session.pkl
r5_small_email_session.pkl
r5_small_http_session.pkl
r5_small_sessoion_data.pkl
r5_small_session_log_df.pkl

Erwartete R6.2-Ausgaben umfassen:

r6_2_small_device_session.pkl
r6_2_small_file_session.pkl
r6_2_small_email_session.pkl
r6_2_small_http_session.pkl
r6_2_small_session_log_df.pkl
r6_2_user_df_pc.csv

Ausgaben werden gespeichert unter:

data/preprocessed/r5_data/
data/preprocessed/r6_data/

Merkmalsextraktion

Führen Sie aus:

notebook/01_feature_extraction.ipynb

Ausgaben:

log_activity_code.pkl
device_activity_code.pkl
file_activity_code.pkl
email_activity_code.pkl
http_activity_code.pkl

Dieses Notebook generiert auch Graphenlisten/-masken, z.B.:

data/preprocessed/r6_data/r6_graph_list_feature_corrected_range_corrected.pkl

Modelle

• GCN-BiLSTM (Explizit)

  root@kitploit:~

  notebook/02_GCN-LSTM.ipynb
  

• GCN-NN (Explizit)

  root@kitploit:~

  notebook/03_GCN.ipynb
  

• GCN-BiLSTM + Attention (Implizit + Explizit)

  root@kitploit:~

  notebook/04_GCN_Implicit_Explicit.ipynb
  

Vortrainierte Checkpoints und ROC-Artefakte befinden sich unter:

data/r5.2-used-model/
data/r6.2_used_model/

Jeder Unterordner enthält:

*.pth                 # Modellgewichte
roc_curve_data_*.npz  # gespeicherte ROC-Kurvendaten
roc_curves*.png       # ROC-Diagramme