一种混合多模型框架，用于个性化用户级异常检测，并结合数据驱动的阈值优化方法 作者：Amit Kumar、Wakar Ahmad、Om Pal 和 Sunil

《Computation》：A Hybrid Multi-Model Framework for Personalized User-Level Anomaly Detection with Data-Driven Threshold Optimization Amit Kumar, Wakar Ahmad, Om Pal and Sunil

　　

摘要

现代用户认证系统越来越需要能够感知用户和设备行为的自适应机制，以检测超出传统静态凭证验证框架的不断演变的威胁。本文提出了一种基于数据驱动的混合异常得分（HAS）的个性化用户级异常检测框架。其主要贡献在于通过结合三个自适应属性来推导HAS：根据每个用户的行为历史动态计算的偏差阈值、反映用户群体成熟度的基于用户资料的权重，以及根据每种检测方法的安全影响进行的关键性加权聚合。该框架在大型真实世界数据集上进行了评估，表现出强大的检测性能，并实现了适合实时企业部署的低推理延迟。对框架的消融分析证实，动态权重和个性化阈值显著提高了检测的稳定性和收敛性，为大规模认证环境提供了一个有效且可部署的解决方案。