基于UEBA的用户网络异常行为孤立森林与监督学习对比分析

随着企业信息化水平的提升,内部用户成为敏感数据安全事件发生的主要因素.针对监督学习分析网络异常行为工作量大成本高问题,采用孤独森林算法快速地进行异常点检测,且能实现比监督学习更精准有效.

地球化学异常识别的两种机器学习算法之比较

在Sklearn的Python语言代码基础上,开发了基于孤独森林和一类支持向量机的多元地球化学异常识别方法程序。选择吉林省和龙地区为实验区,从1∶5万水系沉积物资料中提取地球化学异常。把实验区已知矿点的空间分布位置作为"地真"数据,绘制两种机器学习算法的ROC曲线并计算AUC值,用来对比两种方法的多元地球化学异常识别效果。研究结果表明:两种机器学习算法都能够有效识别多元地球化学异常,所提取的多元地球化学异常与已知矿点具有显著的空间关联性;孤独森林算法在数据处理耗时和多元地球化学异常识别效果方面略优于一类支持向量机。