Implementation of Isolation Forest-Based Machine Learning in Batch Anomaly Detection on Zeek Log Data (Case Study: Langkat Regency Communication and Information Agency)
Notice bibliographique
Résumé
The high escalation of cyber threats against government institutions requires an adaptive and intelligent digital security system. The Langkat Regency Communication and Information Agency faces challenges in analyzing large volumes of network log data to effectively detect suspicious activity. This study aims to implement the Isolation Forest machine learning algorithm to detect anomalies in batches on Zeek log data, and classify detected anomalies into threat levels to facilitate security audits. Using the CRISP-DM framework, this study analyzed 12.1 million lines of Zeek conn.log data from December 2024 through the stages of data preparation, unsupervised modeling with Isolation Forest, and manual threshold determination for classification. The effectiveness of the model is evaluated using Precision, Recall, and F1-Score metrics against proxy labels, and the results are enriched with rule-based labeling to determine threat levels. The results of the study show that the model successfully identified 15.34% of connections as anomalies, with the dominant pattern categorized as a “High” threat detected in DNS and unknown services, indicating potential malicious activity. Quantitative evaluation yielded a precision of 0.41 and a recall of 0.08, highlighting the model's ability to detect more subtle anomalies beyond simple rules. Thus, the implementation of Isolation Forest proved effective in identifying diverse network anomaly patterns, where its combination with rule-based labeling provides functional threat context for cybersecurity teams.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».