使用自编码器进行OKTA日志中的异常检测
Anomaly Detection in OKTA Logs using Autoencoders
AI总结：
针对Okta日志中基于规则的检测模型存在的回溯期受限、易产生误报等问题，提出采用自编码器无监督技术，通过对日志数据进行转换与简化处理并输入模型评估输出，以实现更有效的异常检测。
摘要：
如今，Okta日志被用于通过具有受限回溯期的各种基于规则的模型来检测网络安全事件。这些功能存在局限性，如有限的回顾性分析、预定义的规则集，以及容易产生误报。为了解决这个问题，我们采用无监督技术，特别是使用自编码器。为了正确使用自编码器，我们需要转换和简化从用户接收到的日志数据的复杂性。然后，将转换和过滤后的数据输入自编码器，并评估其输出。
英文摘要：
Okta logs are used today to detect cybersecurity events using various rule-based models with restricted look back periods. These functions have limitations, such as a limited retrospective analysis, a predefined rule set, and susceptibility to generating false positives. To address this, we adopt unsupervised techniques, specifically employing autoencoders. To properly use an autoencoder, we need to transform and simplify the complexity of the log data we receive from our users. This transformed and filtered data is then fed into the autoencoder, and the output is evaluated.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
