Chronohunt: Determining Optimal Pace for Automated Alert Analysis in Threat Hunting Using Reinforcement Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Threat hunting stands out as a proactive practice applied to identify stealthy threats that evade traditional detection mechanisms. Although powerful, threat hunting demands significant investments in terms of knowledge, time, and resources to meticulously analyze massive amounts of logs, and formulate threat hypotheses. Particularly, real-time threat hunting necessitates substantial manpower and computational resources to identify threats and might lead to inefficiencies and overlooked threats. Conversely, while more economical in resource allocation, batch-mode hunting risks missing fast-moving threats. To address these pivotal challenges, we formulate the problem of pacing the threat hunting in security operational environments and design Chronohunt, a solution that automatically and adaptively adjusts the threat hunting pace in alignment with the security importance, volume of events, available resources, and the evolving threat landscape. Chronohunt integrates two optimizations: (i) an initial heuristic optimization using grid search to establish a baseline hunting pace, and (ii) a dynamic optimization using reinforcement learning to dynamically fine-tune the pace in response to changes in the environment (e.g., hunting performance, evolving threat landscape, event importance, etc.). Obtained results show the efficacy of Chronohunt in adaptively aligning the hunting pace based on changes in the environmental conditions while ensuring high accuracy in threat hunting and optimal resource utilization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle