Een bedrijf wil gebruikers om aanvullende verificatie vragen wanneer ze de site bezoeken vanaf ongebruikelijke locaties. Ze hebben terabytes aan weblogs met bron-IP's en, voor geauthenticeerde verzoeken, inlognamen. Welke aanpak moet u gebruiken om de ML-gebaseerde beslissing te bouwen die aangeeft wanneer extra informatie moet worden gevraagd?

De correcte optie is het gebruik van Amazon SageMaker met het IP Insights-algoritme, omdat dit algoritme specifiek is ontworpen om afwijkend gedrag te detecteren op basis van IP-adressen, wat cruciaal is voor het identificeren van ongebruikelijke inloglocaties. Nachtelijke updates en hertraining zorgen ervoor dat het model actueel blijft met nieuwe loggegevens en zich aanpast aan veranderende patronen. De andere opties zijn minder geschikt: Het labelen van elke log-entry als succesvol of mislukt met Ground Truth en het trainen van een binaire classifier met factorization machines (FM) is niet optimaal, omdat FM meer gericht is op aanbevelingssystemen en niet specifiek op IP-gebaseerde anomaliedetectie. Het labelen van log-entries en het trainen van een binaire classifier met IP Insights is overbodig; IP Insights is een unsupervised algoritme dat geen gelabelde data nodig heeft voor anomaliedetectie. Het gebruik van Object2Vec is niet geschikt, omdat dit algoritme is ontworpen voor het inbedden van objecten in een vectorruimte, wat niet direct bijdraagt aan het detecteren van afwijkende IP-locaties.