安全信息和事件管理系统的无监督异常检测与动态基线自学习.docxVIP

PAGE2

《安全信息和事件管理系统的无监督异常检测与动态基线自学习》

一、调研概述

1.1调研背景与目的

传统SIEM系统长期依赖静态阈值与预置规则进行威胁判定。这种模式在面对复杂多变的业务周期时，极易产生海量误报。安全运营团队常陷入“告警疲劳”，导致真实威胁被淹没。

本调研旨在深入剖析摆脱静态规则依赖的UEBA技术演进路径。重点研究如何利用时序分解剥离业务周期波动，结合Transformer模型实现动态基线自学习。

最终目标是为安全厂商提供降低误报率的技术升级决策依据，推动态势感知向智能化跃迁。通过无监督异常检测，系统将自适应业务节奏，精准捕捉偏离基线的微小异常。

1.2研究范围与方法

本次调研范围聚焦于国内安全运营与态势感知市场，核心覆盖SIEM与UEBA产品线。研究方法采用多维度交叉验证体系，结合定量数据与定性洞察。

我们通过头部厂商深度访谈、甲方安全团队问卷调研，以及核心算法文献溯源，构建了完整的数据基座。需要指出的是，由于新兴无监督检测技术在甲方实际部署周期较短，长周期效能数据仍存在一定局限性。

但现有样本已足以支撑技术趋势判断与方向探索。通过对比传统规则引擎与动态基线模型的实际运行指标，我们提炼出了最具实践价值的技术演进路线。

研究方法

应用场景

数据来源

样本规模

方法局限性

深度访谈

厂商战略与算法架构

SIEM/UEBA头部厂商CTO/产品线负责人

1